OCRmyPDF---初使用

什么是OCR

识别图片上的文字，进行处理，将这些文字转换成可以复制粘贴的格式

OCRmyPDF

OCRmyPDF用python编程，可以在各种平台上运行。下面以win11系统为例进行演示

安装依赖项

1. Tesseract OCR ⇒ 进行OCR识别
2. Ghostscript ⇒ PDF的渲染器解释器
3. unpaper ⇒ 扫描件的去噪

确保自己有python在3.8及以上

安装Chocolatey

Chocolatey 是window系统下的一个包管理器，方便用户更快更方便的安装软件

1. 以管理者运行power shell
2. 运行下面这段代码进行安装。

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'))

完成后重启power shell

3. 运行下面这段代码检查是否安装成功

choco --version

如果安装卡在某步，我随机试出来的办法是随机选择某个片段，Ctrl + C

安装Tesseract OCR，Ghostscript，unpaper

以上安装要在管理员运行的power shell操作

1. 运行

choco install tesseract -y

choco install ghostscript -y

choco install unpaper -y

2. 验证安装是否成功

tesseract --version

其他的同理

Tesseract OCR默认不会安装中文语言包，可以在github找到开头是 chi_sim 的语言包，直接下载到
C:\Program Files\Tesseract-OCR\tessdata
官网链接：https://github.com/tesseract-ocr/tessdata

相关操作指令

官方文档：https://ocrmypdf.readthedocs.io/en/latest/cookbook.html#basic-examples0

下面列几个常用的功能（在power shell运行即可）

ocrmypdf input.pdf output.pdf #进行ocr处理

ocrmypdf --sidecar output.txt input.pdf output.pdf #同时生成.txt文件