在 Windows Python 中将不可搜索的 Pdf 转换为可搜索的 Pdf

Question

需要一个解决方案来将每个页面都是图像且页面可以包含文本、表格或两者的组合的 PDF 文件转换为可搜索的 pdf。

我已经使用了 ABBY FineReader Online，它做得非常好，但我正在寻找一个可以通过 Windows Python

实现的解决方案

我已经做了详细的分析，下面是接近我想要的但不完全是的链接：

说明使用Ghost脚本首先将其转换为图像，然后直接转换为文本。我不相信 tesseract 将不可搜索的 PDF 转换为可搜索的 PDF。

上述解决方案有相反的帮助，即将可搜索转换为不可搜索。我也认为这些在 Ubuntu/Linux/MacOS 中是有效的。

有人可以帮忙告诉一下在Windows Python中实现不可搜索到可搜索的Python代码应该是什么吗？

更新1

我使用 Asprise Web Ocr 得到了想要的结果。以下是链接和代码：

我正在寻找一种可以通过Windows Python库完成的解决方案，仅作为

更新2

我知道将不可搜索的pdf直接转换为文本的解决方案。但我正在寻找他们将不可搜索的 PDF 转换为可搜索的 PDF 的任何方法。我有使用 PyPDF2 将 PDF 转换为文本的代码。

Answer 1

实际上您并不需要将 pdf 中的所有内容转换为文本。文本将保留文本，表格将保留表格，如果可能的话，图像应变为文本。您需要一个能够按原样实际读取 pdf 并开始按块进行转换的脚本。该脚本会写入文本块，直到完全阅读文档，然后将其转换为 pdf。类似的东西

if line_is_text():
    write_the_line_as_is()
elif line_is_img():
    transform_img_in_text()# comments below code
...
..
.

现在

transform_img_in_text()

我认为这可以通过许多外部库来完成，您可以使用的一个可以是：

您可以通过

pip

下载此库，上面的链接中提供了说明。

Answer 2

我过去使用过 pypdfocr 来做到这一点。不过最近没有更新。

来自自述文件：

pypdfocr filename.pdf
--> filename_ocr.pdf will be generated

仔细阅读 Windows 安装说明。

更新的 Python 库是 OCRmyPDF：https://github.com/jbarlow83/OCRmyPDF 有一个适用于 Windows 的 Docker 映像

Answer 3

我最近写了一篇博客文章，其中我使用以下方法完成了此操作：

您可能需要调整一些内容来满足您的需求，但我相信这篇文章中的构建块可以满足您的需求：

Answer 4

如果您正在寻找开源解决方案，您的选择可以是（但不限于）Ghostscript（将 pdf 页面转换为图像）、Tesseract 或 PaddleOCR（在图像上运行 OCR）。所有这些都可以安装在 Windows 上，并从 python 脚本中调用。

如果你想节省编写Python脚本的精力，你可以尝试GitHub中提供的PdfOCRer，它接受一个PDF（可能不可搜索），处理它并输出一个可搜索的PDF。