如何用Leptonica将多页图像型PDF逐页读取为位图

Leptonica本身没有提供直接读取PDF的C API，但可以通过Poppler的C API实现图像型PDF的逐页位图提取，再结合Tesseract完成OCR，这是满足你需求的纯代码方案，无需依赖Shell命令。

实现步骤与示例代码 #

1. 初始化Tesseract OCR引擎
2. 用Poppler加载PDF文档，获取总页数
3. 遍历每一页，将PDF页面渲染为Leptonica兼容的Pix位图对象
4. 将Pix传入Tesseract执行OCR，处理结果
5. 及时释放所有资源，避免内存泄漏

完整示例代码：

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>
#include <poppler.h>
#include <cairo.h>

int main() {
    // 初始化Tesseract引擎
    tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
    if (api->Init(NULL, "eng")) {
        fprintf(stderr, "初始化Tesseract失败\n");
        exit(1);
    }

    // 加载目标PDF文件
    GError *error = NULL;
    // 注意路径需转为file://格式，本地路径示例：file:///home/user/test.pdf
    PopplerDocument *pdf_doc = poppler_document_new_from_file("file:///path/to/your/pdf/file.pdf", NULL, &error);
    if (!pdf_doc) {
        fprintf(stderr, "加载PDF失败: %s\n", error->message);
        g_error_free(error);
        exit(1);
    }

    int total_pages = poppler_document_get_n_pages(pdf_doc);
    for (int page_idx = 0; page_idx < total_pages; page_idx++) {
        // 获取当前页
        PopplerPage *page = poppler_document_get_page(pdf_doc, page_idx);
        if (!page) continue;

        // 获取页面尺寸，按300DPI渲染（PDF默认DPI为72）
        double page_w, page_h;
        poppler_page_get_size(page, &page_w, &page_h);
        int render_w = page_w * 300 / 72;
        int render_h = page_h * 300 / 72;

        // 创建Cairo表面用于渲染
        cairo_surface_t *surface = cairo_image_surface_create(CAIRO_FORMAT_RGB24, render_w, render_h);
        cairo_t *cr = cairo_create(surface);
        cairo_scale(cr, 300.0 / 72.0, 300.0 / 72.0); // 缩放至目标DPI
        poppler_page_render(page, cr);

        // 将Cairo表面转为Leptonica的Pix对象
        Pix *page_pix = pixCreateFromCairoSurface(surface);
        if (page_pix) {
            // 传入Tesseract执行OCR
            api->SetImage(page_pix);
            char *ocr_result = api->GetUTF8Text();
            printf("第%d页OCR结果:\n%s\n", page_idx + 1, ocr_result);
            
            // 释放OCR结果内存
            delete[] ocr_result;
            pixDestroy(&page_pix);
        }

        // 释放当前页相关资源
        cairo_destroy(cr);
        cairo_surface_destroy(surface);
        g_object_unref(page);
    }

    // 释放全局资源
    g_object_unref(pdf_doc);
    api->End();
    delete api;
    return 0;
}

编译与依赖说明 #

编译时需要链接Tesseract、Leptonica和Poppler的相关库，示例编译命令：

g++ -o pdf_ocr pdf_ocr.cpp `pkg-config --cflags --libs tesseract lept poppler-glib`

替代方案 #

如果无法使用Poppler，也可以选择MuPDF的C API，它同样支持逐页提取PDF中的位图，并提供了转为Leptonica Pix对象的接口，适配逻辑与上述方案类似。

内容的提问来源于stack exchange，提问作者Dov