PHP中Tesseract命令失效问题及替代工具咨询（含PDF图片文本提取）

核心思路 #

先从PDF中提取内嵌图片，再对图片执行OCR识别文本，避开Tesseract命令行调用问题。

步骤1：提取PDF中的内嵌图片 #

使用Ghostscript命令行工具完成图片提取，PHP通过exec()调用：

Ghostscript命令（终端直接执行）

gs -dNOPAUSE -dBATCH -sDEVICE=jpeg -r300 -sOutputFile=extracted_img_%d.jpg input.pdf

参数说明：

• -r300：设置输出图片分辨率300DPI（OCR识别最佳分辨率）
• extracted_img_%d.jpg：按页码生成图片文件（如extracted_img_1.jpg）

PHP调用示例

$pdfPath = '/path/to/target.pdf';
$outputDir = '/path/to/save/images/';
// 确保输出目录存在
if (!is_dir($outputDir)) mkdir($outputDir, 0755, true);

$command = sprintf(
    'gs -dNOPAUSE -dBATCH -sDEVICE=jpeg -r300 -sOutputFile=%sextracted_img_%%d.jpg %s',
    escapeshellarg($outputDir),
    escapeshellarg($pdfPath)
);

exec($command, $output, $returnCode);
if ($returnCode !== 0) {
    die('Ghostscript执行失败：'.implode(PHP_EOL, $output));
}

步骤2：OCR识别图片文本（替代Tesseract的方案） #

方案A：调用Google Cloud Vision API（云端OCR）

安装PHP客户端：

composer require google/cloud-vision

编写识别代码：

require 'vendor/autoload.php';

use Google\Cloud\Vision\V1\ImageAnnotatorClient;

// 初始化客户端（需配置Google Cloud服务账号密钥）
putenv('GOOGLE_APPLICATION_CREDENTIALS=/path/to/service-account-key.json');
$imageAnnotator = new ImageAnnotatorClient();

// 遍历提取的图片
$imageFiles = glob($outputDir.'*.jpg');
foreach ($imageFiles as $file) {
    $imageContent = file_get_contents($file);
    $response = $imageAnnotator->textDetection($imageContent);
    $textAnnotations = $response->getTextAnnotations();

    if (!empty($textAnnotations)) {
        // 第一个结果是完整文本，后续是单字/词组
        echo "页面 ".pathinfo($file, PATHINFO_FILENAME)." 提取文本：\n";
        echo $textAnnotations[0]->getDescription()."\n\n";
    }
}

$imageAnnotator->close();

方案B：Python EasyOCR + PHP调用（本地离线OCR）

适合无法访问云端服务的场景，需服务器安装Python及EasyOCR：

1. 安装EasyOCR：

pip install easyocr

2. 编写Python脚本ocr_process.py：

import sys
import easyocr

# 初始化识别器，指定语言（如中文+英文）
reader = easyocr.Reader(['ch_sim', 'en'])
image_path = sys.argv[1]

# 执行识别，返回文本列表
result = reader.readtext(image_path, detail=0)
# 输出拼接后的文本
print(' '.join(result))

3. PHP调用脚本：

$imageFile = '/path/to/extracted_img_1.jpg';
$command = sprintf(
    'python3 /path/to/ocr_process.py %s',
    escapeshellarg($imageFile)
);

$ocrResult = shell_exec($command);
if ($ocrResult) {
    echo "提取文本：\n".$ocrResult;
} else {
    echo "OCR识别失败";
}

方案C：本地部署OCR服务+HTTP请求

部署离线OCR服务（如百度OCR离线版、PaddleOCR服务），PHP通过HTTP请求调用：

$imageFile = '/path/to/extracted_img_1.jpg';
$base64Image = base64_encode(file_get_contents($imageFile));

$curl = curl_init();
curl_setopt_array($curl, [
    CURLOPT_URL => 'http://127.0.0.1:8080/api/ocr', // OCR服务地址
    CURLOPT_POST => true,
    CURLOPT_POSTFIELDS => json_encode(['image' => $base64Image]),
    CURLOPT_HTTPHEADER => ['Content-Type: application/json'],
    CURLOPT_RETURNTRANSFER => true
]);

$response = curl_exec($curl);
curl_close($curl);

$result = json_decode($response, true);
if ($result && isset($result['text'])) {
    echo "提取文本：\n".$result['text'];
} else {
    echo "OCR服务调用失败";
}

内容的提问来源于stack exchange，提问作者PentaD