以前网络上收集到不少扫描版本的PDF文档，没有文字层，非常蛋疼，偶然发现了这个开源工具，非常推荐
OCRmyPDF
https://github.com/ocrmypdf/OCRmyPDF
Windows下安装
安装Python依赖项
1
2
3
|
conda create -n pdf_env python=3.11
# 执行这一步，会将运行ocrmypdf的第三方包都一并安装好
pip install pip install ocrmypdf
|
安装OCR等依赖项
1
2
3
4
5
6
7
8
9
|
# 以管理员身份运行cmd，执行以下命令：
@"%SystemRoot%\System32\WindowsPowerShell\v1.0\powershell.exe" -NoProfile -InputFormat None -ExecutionPolicy Bypass -Command "[System.Net.ServicePointManager]::SecurityProtocol = 3072; iex ((New-Object System.Net.WebClient).DownloadString('https://community.chocolatey.org/install.ps1'))" && SET "PATH=%PATH%;%ALLUSERSPROFILE%\chocolatey\bin"
# 或者以管理员身份运行PowerShell，执行以下命令：
Set-ExecutionPolicy Bypass -Scope Process -Force; [System.Net.ServicePointManager]::SecurityProtocol = [System.Net.ServicePointManager]::SecurityProtocol -bor 3072; iex ((New-Object System.Net.WebClient).DownloadString('https://community.chocolatey.org/install.ps1'))
choco install --pre tesseract
choco install ghostscript
choco install pngquant
|
由于默认安装tesseract只包含了English语言包，要想支持多种语言的话，从tessdata上下载其它语言包，解压里面的扩展名为traineddata的文件，复制到 C:\Program Files\Tesseract-OCR\tessdata 上
运行
1
|
ocrmypdf -l chi_sim --pdf-renderer tesseract --output-type pdf source.pdf ocr.pdf
|
源码调试
由于官方忽略了.vscode等ide配置，所以我fork了仓库，并将vscode的调试配置放在learn分支下
1
2
|
git clone https://github.com/YaoXuanZhi/OCRmyPDF
git checkout learn
|
用vscode打开仓库根目录，F5运行调试即可
后记
之所以想要源码调试它，是想从其之中汲取到添加OCR文本层的思路，后续会将这块的分析整理成博客分享
参考资料
YaoXuanZhi 收录于 开源技术