3回答
我试图使用Tesseract OCR在多个大pdf文件上执行OCR (~400-600页)。我不一定要从所有页面中提取文本，但我只想要几页(页码已知)。PDF文件似乎已经在上面执行了某种OCR，但这不是一个好工作。当我运行用木星编写的代码时：
import pdf2image
from PIL import Image
import pytesseract
import cv2
import numpy as np
pytesseract.pytesseract.tesseract_cmd = r"C:/Program Files/Tesseract-OCR/tesseract.ex
浏览 10提问于2021-06-06得票数 2
1回答
我有一个要更新的表。在我的表中，如果一列有重复项，则将其与其匹配项分组在一起。其中一份文件是原件。我需要更新我的表，以使组Id等于原始文档。因此，如果所有文档属于同一组，则它们必须具有相同的统一标题。例如，OCR0000000006和OCR0000000008都有统一的标题06000146.pdf。
下面是我的表格示例：
DOCID Duplicate_Group Duplicate_Principal Duplicate_Similarity Unified_Title
OCR0000000001 OCR0000000001 Yes
浏览 0提问于2014-03-22得票数 0
我正在使用FSCrawler的REST功能来扫描上传的PDF。我目前使用的是ocr pdf策略，但是ocr_and_text等待响应的时间太长了。我想把pdf同步地发送到fscrawler以使用文本提取，如果这不起作用，发送到一个异步的ocr后台任务。
有没有办法用FSCrawler做到这一点？或者有没有办法拥有多个pdf策略？
浏览 6提问于2020-08-03得票数 1
1回答
我在Dolphin服务菜单文件中有这一行，该文件包含用于PDF处理的许多其他命令：
Exec=bash -c 'f="%u"; ocrmypdf "$f" "${f%.pdf}_ocr.pdf";'
它的优点是提供表单MY_PDF_ocr.pdf的输出文件，从而保留输入文件的名称。但是，我更希望命令在终端(konsole)中运行，这样我就可以看到进程。
为此，我可以用这句话：
Exec=konsole --noclose -e ocrmypdf "%u" ocr_en.pdf
但是没有输出，保持输入的名称。
像这样
浏览 0提问于2022-11-30得票数 0
回答已采纳
2回答
如何让Tess4J从PDF文件中获取图像？
我习惯于使用OCR (Tess4J)将图像文件转换为文本。它工作得很好，我已经在图像上测试过了，它很棒。
File imageFile = new File("D:\\HEAD2.png");
Tesseract instance = Tesseract.getInstance(); // JNA Interface Mapping
// Tesseract1 instance = new Tesseract1(); // JNA Direct Mapping
try {
String result = instance.
浏览 0提问于2013-05-16得票数 0
回答已采纳
1回答
我已经扫描了PDF格式的文件。这些文件包含一页纵向格式和两页横向格式的页面。
我需要对它们执行OCR处理，但我需要使用bash脚本重新格式化它们。
我可以用pdfimages从PDF中提取图像，将它们与img2pdf放在一起，用ocrmypdf执行OCR处理。
但是，我很难用的实用程序来检测它们的方向，如果必要的话，在纵向模式下将它们分割成两幅图像。你应该知道，并不是所有的扫描都是相同的大小和肖像和景观图像混合在同一个PDF中。
从现在开始，我只有一个脚本的开头：
#!/bin/bash
for i in *.pdf;
do
# Créer le fichier PDF avec OCR
浏览 2提问于2020-04-20得票数 1
11回答
是否有任何免费的OCR软件(用于Linux和/或Windows)可以像Acrobat那样将PDF扫描文档作为输入并输出可搜索的PDF？
使用可搜索的PDF格式，我的意思是OCRed文本在原始文本上是不可见的，可以用鼠标选择并复制。
我知道Linux上的gscan2pdf可以这样做，但是文本被放置在页面的左上角，而且太小了，与背景扫描页面上的文本完全不同步。这是因为gscan2pdf将整个页面提供给OCR引擎。它应该将图像分解成小图像，用单行文本或小段落发送到OCR软件。
浏览 0提问于2014-04-20得票数 72
回答已采纳
我正在做一些OCRing PDF的工作，我很好奇是否有一种方法可以检查一个PDF是否已经从Word (或Google Docs)导出。我可以检查PDF是否已经用Xpdf的pdffonts进行了OCR。我知道Word和Google Docs会自动OCR导出的PDF，所以如果我发现PDF没有OCR，我就知道它没有导出。但是，如果它已经光学字符识别，有没有办法检查的PDF是否从Word/Google Docs导出，而不是简单的OCRd与类似的程序？具体地说，我使用的是JavaScript，但任何信息都是有用的。
浏览 2提问于2013-06-14得票数 0
我正在尝试优化图像扫描pdf的质量/文件大小，同时保持ocr质量。
我可以尝试在高质量pdf文档的ocr之后进行下采样，但与使用photoshop和导出较低dpi/优化的页面并使用这些页面创建pdf相比，我使用的工具(主要是acrobat)不会创建较小的文件大小。
如果可能的话，一个更好的解决方案是获取一个已经ocr的image-pdf文档(对于当前情况是800m)，并将ocr层应用于较低rez下采样的文档。
我可以用pdfminer成功地提取坐标为xml的OCR信息，但我想将其应用于使用photoshop进行下采样的相同文件。我认为我读到这是可能的pdftk，但我再也找不到这个信息。
任何建
浏览 3提问于2012-07-16得票数 1
1回答
我在Perl应用程序中使用PDF::API2将OCR输出嵌入到相应的图像后面，这样就可以搜索得到的PDF，因为可以用pdftotext提取OCR输出。
目前，只要应用程序在OCR输出中看到非ASCII字符，它就会从PDF核心字体切换到TTF。然而，这真的很麻烦，因为核心字体包括大多数西欧字符。TTF仅对希腊语、俄语、日语等语言是必需的。
如何判断特定字体是否包含特定字符(包括CMAP表，以便使用pdftotext进行提取)？
浏览 0提问于2012-02-21得票数 4
1回答
在r中的pdf上执行ocr时出错
、、、、
在r中的pdf上尝试OCR，这给了我错误。运行代码后，也会生成"i.txt“文件，但仍然会出现错误。
pdftoppm version 4.00
Copyright 1996-2017 Glyph & Cog, LLC
Usage: pdftoppm [options] <PDF-file> <PPM-root>
-f <int> : first page to print
-l <int> : last page to print
-r <number> :
浏览 3提问于2017-09-20得票数 0
2回答
如何用魔杖改变图片的对比度？
、、、、
下面的图片用在Tesseract OCR上：
我处理图片的代码是：
# HOCR
with image[450:6200, 840:3550] as cropped:
imgPage = wi(image = cropped)
imageBlob = imgPage.make_blob('png')
horas = gerarHocr(imageBlob)
def gerarHocr(imageBlob):
image = Image.open(io.BytesIO(imageBlob))
markup = pytessera
浏览 5提问于2020-01-07得票数 1
回答已采纳
2回答
我有一个PDF，我试图让Tika去解析。PDF不是OCR。我的机器上安装了Tesseract。
我使用ImageMagik将file.tiff转换为file.pdf，所以我正在解析的tiff文件是从PDF直接转换出来的。
Tika分析TIFF没有问题，但返回PDF的“无”内容。怎么回事？我用的是Tika 1.14.1，tesseract 3.03，轻子-1.70
这是密码..。
from tika import parser
# This works
print(parser.from_file('/from/file.tiff', 'http://localhost
浏览 1提问于2018-01-04得票数 2
回答已采纳
我在plone上创建了一个文档站点，可以从该站点上传文件。我看到plone以blob的形式将它们保存在文件系统中，现在我需要通过一个python脚本来处理用OCR下载的pdf。有谁知道怎么做吗？谢谢
浏览 12提问于2019-04-11得票数 1
回答已采纳
1回答
我需要添加文本到图像(原始图像可以是jpg，gif，或bmp)文件，我怎么做呢？我把带有快门的文本添加到一个jpg中，并转换成pdf格式。Tesseract无法将这些图像中的文本转换为真正的文本。添加已经可以搜索到图像的文本似乎更容易(而不是用OCR添加和处理文本)。我唯一的选择是创建一个pdf并将图像和文本添加到其中吗？如果是的话，我该怎么做？
浏览 0提问于2014-10-30得票数 1
1回答
我的项目是关于的。我的网站是基于翻译文件和书籍等。客户上传他的源文件为pdf，在后端，字数的pdf应该由一个OCR来确定最终的价格，所以单词的计数是非常重要的。主要的问题是OCR的波斯文字有问题。你怎么能帮我解决这个问题？
浏览 0提问于2019-12-03得票数 0
回答已采纳
1回答
我正在使用Tesseract 2.04在一些图像中执行OCR，现在我必须获得文本的精确位置。但是这个版本不会返回这个信息。
我需要这个来生成一个可搜索的pdf文件。我已经学习了如何在pdf的底层中盖章文本，但我需要位置来盖章这个文本。我的第一个想法是在pdf中执行ocr，获取文本和文本的位置，用iText api在pdf中盖章。
浏览 17提问于2011-12-06得票数 3
回答已采纳
我试着用扫描文档的图像读取PDF文件。Aspire给我这个文本作为OCR的输出。
<error: failed to read pdf. error code: ÿ>
浏览 2提问于2017-04-15得票数 0
回答已采纳
我已经实现了Azure Cognitive Read服务来返回PDF中提取的/OCR文本。
但是，为了使用户更容易理解上下文/从PDF复制和粘贴数据，我想将该文本数据覆盖在PDF上。然后我会将该PDF放入查看器中。
有没有人知道该怎么做。也很乐意使用AWS。基本上，一个API，我提交了一个PDF，它返回一个OCR的PDF是我要找的。如果这是不可能的，一个库，我可以提交文本和PDF (并返回一个文本可搜索的PDF)也是理想的。
浏览 1提问于2021-07-23得票数 1
我有几个低质量的pdf。我想使用OCR --更准确地说，是用从他们那里获取文本。为此，我使用了first --一个将pdf转换为图像的命令行工具--将这些pdf转换为jpg或png。
然而，ImageMagick生成的图像质量非常低，Ocropus几乎无法识别任何内容。我想了解处理低质量pdf的最佳参数是什么，以便为OCR提供尽可能好的质量图像。
我已经找到了，但是我不知道从哪里开始。
浏览 0提问于2010-09-01得票数 9
回答已采纳
1回答
是否可以编辑在C#中不可填充的PDF格式
详情：
现有的PDF包含图像、数据和文本填充的表格。
已经尝试过itextsharp，但是无法识别任何AcroFields来操作数据。
当尝试使用Nitro PDF进行OCR时，got错误: OCR无法完成，因为此页面包含可编辑/可搜索的内容
..。这是来自ASPOSE文本替换的输出。试图用替换为 Word
所需经费：
必须编辑以编程方式填写的表格中的文本和数据，并保存它。
浏览 6提问于2012-06-28得票数 1
7回答
我有一些扫描文件的pdf，我想能够搜索他们。我怎么能这么做？
本质上，我必须OCR的pdf，然后混合提取的文本回到一个新的pdf。我成功地尝试了许多不同的解决方案(包括在将OCR信息添加到PDF中中找到的解决方案)。
pdfocr (这给了我这个问题：https://github.com/gkovacs/pdfocr/issues/7)
治夹心三明治 (软件中心说它是一个很差的软件包，我不应该安装它)
OCRfeeder (在软件中心)很好地导出到odt，但在导出到pdf时没有反应。
Gscan2pdf输出一个全黑(但可搜索)的图像，如报告的在这次讨论中。
我不认为Pdfxchange查看器能
浏览 0提问于2014-05-29得票数 36
回答已采纳
我有一个png图像，我改进了更好的tesseract OCR质量，然后我需要从原始图像搜索pdf。 我可以使用以下python代码通过tesseract从改进的图像创建可搜索的pdf： f = open("programme.pdf", "w+b")
file = sys.argv[1]
black_and_white = create_black_and_white(image=file, threshold=150) # function converting the image to black and white with some filterin
浏览 19提问于2021-11-09得票数 0
1回答
我正在尝试使用perl从扫描的PDF中获取文本，所以我在perl中使用了PDF::OCR2模块，但我无法安装此模块，安装Image::OCR::Tesseract模块失败，我使用的是CentOS7，这是我在安装过程中的错误。
one dependency not OK (Image::OCR::Tesseract); additionally test harness failed
/usr/bin/make test -- NOT OK
//hint// to see the cpan-testers results for installing this module, try:
浏览 17提问于2016-08-19得票数 0
警告：
警告: unlink(temp/1.pdf)：第122行C:\www\test.php中暂时不可用的资源
警告: unlink(temp/2.pdf)：第123行C:\www\test.php中暂时不可用的资源
我使用PHP的exec运行一个批处理文件来执行一些OCR，因此在代码运行时不能删除该文件，因为CMD正在忙于创建这些文件。创建文件后，我将使用FPDF/FPDI合并两个FPDF，在另一个目录中创建一个新文件( merge /file.pdf)。
因此，我需要做的是等待批处理文件完成执行，并等待CMD释放这些文件，以便它们可以被删除。
我只是不知道该怎么做。
$scrip
浏览 2提问于2018-11-13得票数 0
回答已采纳
C:\Program Files (x86)\Tesseract-OCR>tesseract C:\wamp64\www\test.jpg C:\wamp64\www\test pdf
Tesseract Open Source OCR Engine v4.0.0.20181030 with Leptonica
Warning: Invalid resolution 0 dpi. Using 70 instead.
Estimating resolution as 279
那是我的代码。未创建任何文件。我不知道这段代码是怎么回事。
我在目录中是Tesseract OCR (C:\Prog
浏览 1提问于2018-11-11得票数 0
我正在使用Microsoft Azure Computer Vision进行OCR PDF提取。当我尝试执行OCR时，它给出的错误为 Read PDF With OCR: Error performing OCR: MicrosoftAzureComputerVisionErrorRunEngine 在这件事上，有人能支持我吗？
浏览 31提问于2020-07-01得票数 0
1回答
我正在使用R中的"tesseract“库将"PDF文件转换为文本”，如下所示：
library(pdftools)
library(tesseract)
pngfile <- pdftools::pdf_convert('myfile_1.pdf', dpi = 600)
text <- tesseract::ocr(pngfile)
cat(text)
上面的代码运行得很好。现在，我正在尝试“批量上传”大量PDF文件，并将其转换为文本--目前，我已经知道如何手动完成此操作
#import and convert 1st file
pngfi
浏览 4提问于2021-07-31得票数 0
我使用TIKA和Tesseract从包含扫描图像的pdf文件中提取OCR文本。我已经设法用ResursiveParserWrapper而不是解析器解析包含图像的pdf文档，它工作得很好，但是客户端希望在其他地方完成与Tesseract OCR相关的所有配置，并使用现有代码从所有支持的格式中提取OCR文本。
现有的代码使用简单解析器来提取数据。谁能帮我解释一下，当我们要从包含扫描图像的图像或pdfs中提取数据时，为什么我们使用RecursiveParserWrapper而不是普通的解析器。
浏览 3提问于2018-06-25得票数 0
我正在使用ocrmypdf库将扫描的pdf转换成可搜索的pdf，但我得到了这个错误。
这是我目前正在运行的代码
import ocrmypdf
ocrmypdf.ocr('/content/drive/MyDrive/Dataset 2020/OCR/1081975.pdf', 'output.pdf')
错误:-
AttributeError: module 'ocrmypdf' has no attribute 'ocr'
浏览 5提问于2020-11-24得票数 1
回答已采纳
我最近买了一台爱普生扫描仪，这样我就可以开始数字化多年来积累的大量文件。我已经学会了如何将文档扫描到PDF文档中，但是，我想确保我的PDF文档有可搜索的文本--我认为技术术语是OCR，但我完全搞不懂。
我可以用我的扫描仪把文件扫描到PDF中。但是，如果我正确理解，我无法使他们OCR搜索，除非我使Acrobat和/或ABBYY精细阅读器的工作流程的一部分。(顺便说一下，我用的是一台运行小牛的Mac电脑。)
我想我需要问的第一件事是:我需要什么软件来创建一个OCR可搜索的PDF？就像我说的，我已经安装了爱普生扫描仪软件，但看起来我也需要Acrobat和/或ABBYY精细阅读器。
我想我应该问的第二
浏览 0提问于2014-05-12得票数 0
回答已采纳
我在uipath是新的，我使用PDF活动来读取与Google的Pdf文本，因为我想得到包含图像的pdf文本。
首先，我只使用Pdf文本，它工作得很好。然后，我使用Pdf与OCR，然后它显示了这个错误。
但是当我运行它时，它给出了一个错误：-
"Google OCR : Error performing OCR: TessErrorLoadEngine"
Please help me to read the Pdf file.
浏览 9提问于2017-09-11得票数 0
1回答
我使用ocr客户端tesseract在hocr文件中生成ocr文本和位置数据。我想要顶部创建一个pdf从图像与一个不可见的一层文本，从tesseract内嵌入。我不知道该怎么做。生成一个不需要文本数据的pdf很容易：
NSMutableData *pdfFile = [[NSMutableData alloc] init];
UIImage *image = [UIImage imageWithCGImage:[self.sourceImageArray[0] CGImage]];
CGRect rect;
rect = CGRectMake(0, 0, image.size.height ,
浏览 7提问于2013-05-13得票数 0
因此，我将一个简单的Python脚本组合到OCR，一个PDF：
from PIL import Image
from tika import parser
import argparse
import img2pdf
import ocrmypdf
def main():
parser = argparse.ArgumentParser(description="Get text from image.")
parser.add_argument("image_path", metavar="i", help="
浏览 3提问于2021-06-14得票数 1
回答已采纳
1回答
是否可以从带有OCR层的PDF中提取诸如IBAN、发票号、发票-数据和金额之类的发票数据？
我们正试图找到一种方法来伪造一些我们用来捕获文档数据的旧软件。为了这个我在调查路易斯。我已经尝试过用LUIS建立一个应用程序，从短语中获取数据，这似乎很好。现在我想尝试从PDF发票中提取发票数据。我该怎么做？
我只想了解一下如何创建一个可以导入PDF文档并从中提取发票数据的工作应用程序。
浏览 0提问于2019-08-22得票数 0
回答已采纳
我有很多PDF文件，基本上是扫描文档，所以每一页都是一个扫描图像。我想要执行OCR并从这些文件中提取文本。我尝试过pytesseract，但它不直接对pdf文件执行OCR，因此，作为一项工作，我希望从PDF文件中提取images，将它们保存在目录中，然后直接在这些图像上使用pytesseract执行OCR。在python中有没有从pdf文件中提取扫描图像的方法？或者有任何方法可以直接对pdf文件执行OCR？
浏览 1提问于2018-05-26得票数 0
回答已采纳
我有下面的代码，它适用于大多数图像类型。但由于某些原因，它不适用于只包含1页和pdf的tiff图像。 我有这个错误： 回溯(最近一次调用)：文件"/Users/fatiatravaille/Downloads/ocr_json/test.py"，第8行，在"/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages/PIL/Image.py"，= Image.open(r './radio_lomb_300.tiff‘)文件UnidentifiedImage
浏览 170提问于2021-09-23得票数 0
在这里，我是新手，我在编译代码时遇到了这个错误：
OCR ocr = new OCR();
PDFReader reader = new PDFReader(new File("C:\\Users\\pc\\Downloads\\chk1.pdf"));
reader.open(); // open the file.
int pages = reader.getNumberOfPages();
for(int i=0; i<pages; i++) {
BufferedImage image
浏览 1提问于2014-02-24得票数 0
我想在Mac上使用开源命令行工具对OCR进行批处理，大约5800 PDF (每个PDF包含上一个问题的2到6页之间)。这次冒险的主要建议是，我想从所有这些PDF的文本中检索尽可能可靠的名字(最重要的是姓氏)。就是一个如何看待问题的例子。
在这一点上，我不知道具体如何进行。你怎么做？
我想首先将所有多页PDF转换为单个页面映像，作为png、jpg或tif，并使用以下命令将与一个PDF相关的所有图像移动到相应的文件夹中：
time for i in *.pdf; do mkdir "${i%.pdf}"; convert -colorspace GRAY -resize 3000x
浏览 2提问于2017-06-29得票数 1
回答已采纳
我有一个目录的jpg文件，是扫描我的手写笔记。如何将它们转换为一个将文件名作为书签的pdf文件？
(我最终也想加入ocr。如前所述，我们可以使用.jpg将.pdf文件转换为img2pdf .jp --output combined.pdf，然后可以使用ocrmypdf combined.pdf combined_ocr.pdf添加ocr。我的问题主要是如何确保pdf文件有书签(由文件名创建)，以便文档易于浏览。
浏览 0提问于2021-09-23得票数 0
1回答
我有以下代码，OCR的所有PDF文件都在一个特定的文件夹中(d：\exttmp2)，但它没有按我的意愿重命名这些文件，也没有将新文件放在正确的位置。
目前，所有文件都在‘exexttmp2’的子文件夹中。
OCR运行正常，但我希望将OCR‘’ed文件重命名为：<parent folder path>-<filename>_ocred.pdf。以这种方式命名它们将不会产生任何文件覆盖。
当前，代码OCR是文件，但它将新文件保存到它们所在的文件夹之上的文件夹中。它还将文件名保存为"JAN_ocred.pdf"，例如，对于名为"JAN.pdf“的文件。
浏览 2提问于2021-06-09得票数 0
回答已采纳
1回答
在编写文本文件之后，我想编写一个脚本，它运行一个命令到OCR pdfs，它删除结果图像。
我想要组合的两个命令如下。
此命令创建文件夹，从每个pgm中提取PDF并将它们添加到每个文件夹中：
time find . -name \*.pdf | parallel -j 4 --progress 'mkdir -p {.} && gs -dQUIET -dINTERPOLATE -dSAFER -dBATCH -dNOPAUSE -dPDFSETTINGS=/screen -dNumRenderingThreads=4 -sDEVICE=pgmraw -r300 -dTex
浏览 1提问于2017-07-11得票数 1
我使用ScanSnap S1500M将所有纸质文档扫描到/PDF-S1500M/-我想使用对文本进行OCR。
我想(每天)自动化这个过程：
开放Acrobat X Pro
批处理/ PDF -扫描中的PDF文件，并将"-OCR“追加到文件名
在OCR之后，将文件移动到/PDF/
删除PDF原始文件中的/PDF-扫描/
我应该用自动售货机吗？有脚本可以做到这一点吗？它必须与iCal的重复事件联系在一起吗？
谢谢。
浏览 5提问于2011-08-18得票数 1
回答已采纳
1回答
用于OS的最新版本的ABBYY FineReader现在支持AppleScript。我尝试编写一个简单的脚本，对给定的pdf文档执行OCR，并将其另存为pdf文档以使其可搜索。不幸的是，我是AppleScript的初学者，不能让它工作。我找不到更多用于编写ABBYY FineReader脚本的文档或示例。
我设法打开了FineReader的字典，它有这样的功能：
export to pdf v : Converts the current document to a PDF file. If FineReader is running in a Sandbox, the file will b
浏览 3提问于2015-01-10得票数 2
首先，我不确定我是否正确地使用了这个库。
方法1
我要离开了(这是)。我用的是这个代码：
from ABBYY import CloudOCR
ocr = CloudOCR(application_id='ApplicationID', password='SuperSecretPasswordFromAbbyy')
pdf = open('blah.pdf', 'rb')
file = {pdf.name: pdf}
result = ocr.process_and_download(
file,
exportFor
浏览 0提问于2019-05-23得票数 4
我已经寻找了大量的时间来转换ps2pdf与OCR。
我在我的GhostScript上安装了Windows10，并将一个带有OCR的pdf转换成GhostScript文件。然后，我从Post转换PDF以获得更好的结果。
所发生的事失去了OCR。
如何将OCRed pdf转换为Post脚本文件，然后返回到Post后脚本文件？
我的命令是
pdf2ps test.pdf test.ps
然后
gswin64 -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -o test2.pdf test.ps
浏览 1提问于2020-05-26得票数 1
回答已采纳
我如何概括或中和base_url()和getcwd()之间的差异？
在视图中，我希望同时显示一个内联PDF-查看器(使用<object src=''></object>)和OCR‘’ed输出。这两个文件都需要相同的源文件，该源文件位于project/public/corpus/<some_id>/file.pdf ( project是CodeIgniter根目录)中。
控制器中的代码可以概括如下：
/**
* Fetch the path to the pdf of the document (OCR is preferre
浏览 3提问于2016-10-18得票数 0
回答已采纳
我刚开始抨击，所以这很可能只是简单的回答，但我的研究还没有给我一个解决方案。我正在尝试编写一个简单的bash脚本来检查一个pdf是否需要OCR，它使用的是与Xpdf一起分发的pdftotext可执行文件。如果pdftotext没有输出任何文本，那么PDF需要是OCR的，问题是，如果一个PDF还没有输出，pdftotext就会返回一个表单Feed字符(而不仅仅是一个空字符串)。尽管我可能会尝试，但我无法让bash将从pdftotext返回的字符串与表单提要进行比较。
这是我的密码：
pdf_txt=$(pdftotext -q -l 5 '/Path/to/pdf/test.pdf
浏览 2提问于2014-07-21得票数 2
回答已采纳
4回答
我有超过30,000个pdf文件。有些文件已经是OCR，有些则不是。有没有办法找出哪些文件已经OCR，哪些pdf只有图像？
如果我通过OCR处理器运行每个文件，这将是永远不会发生的。
浏览 8提问于2011-10-12得票数 9
回答已采纳
我使用ocr技术从包含图像的pdf中提取文本，但我只想在pdf还不能搜索的情况下使用ocr，否则我想使用pdfminer或类似的库。
有没有办法区分已经可以搜索的pdf和不能搜索的pdf？
浏览 5提问于2019-06-22得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
