如何从PNG生成含OCR的可搜索PDF并使用JPEG作为图片

完全可以实现，通过结合Tesseract、ImageMagick和hocr-tools工具链，就能基于已有PNG图片生成内嵌JPEG格式图片的可搜索PDF，同时节省磁盘空间。具体步骤如下：

一、安装必要工具 #

在Debian终端执行以下命令安装所需软件包：

sudo apt update && sudo apt install tesseract-ocr imagemagick hocr-tools poppler-utils

• tesseract-ocr：执行OCR识别，生成结构化的hocr格式文本
• imagemagick：将PNG图片转换为JPEG格式，支持调整压缩质量
• hocr-tools：包含hocr2pdf工具，用于合并JPEG图片与hocr文本生成带文本层的可搜索PDF
• poppler-utils：可选，用于合并多页PDF为单个文件

二、单张图片处理流程 #

针对单张PNG图片，执行以下三步操作：

1. 生成OCR识别的hocr文本文件

tesseract input.png output hocr

• input.png：源PNG图片文件名
• output：输出的hocr文件前缀（最终生成output.hocr）
• 如需识别中文，添加-l chi_sim参数：tesseract -l chi_sim input.png output hocr

2. 将PNG转换为JPEG格式（可调整压缩质量）

convert input.png -quality 80 output.jpg

• -quality 80：设置JPEG压缩质量（范围1-100，数值越大质量越高、文件越大）
• 若为黑白扫描文档，可添加-monochrome参数进一步缩小体积：convert input.png -monochrome -quality 80 output.jpg

3. 合成可搜索PDF

hocr2pdf -i output.jpg -o final.pdf < output.hocr

• -i output.jpg：指定内嵌到PDF的JPEG图片
• -o final.pdf：输出的可搜索PDF文件名

三、批量处理脚本 #

如果需要处理目录下所有PNG图片，可创建以下shell脚本批量执行：

#!/bin/bash

# 自定义JPEG压缩质量，建议值70-90
JPEG_QUALITY=80
# 可选：指定OCR语言，比如中文填chi_sim
OCR_LANG="chi_sim"

# 遍历当前目录下所有PNG文件
for img in *.png; do
    # 提取文件名（不含.png后缀）
    base_name=$(basename "$img" .png)
    
    # 生成hocr格式的OCR结果
    tesseract -l "$OCR_LANG" "$img" "$base_name" hocr
    
    # 将PNG转为指定质量的JPEG
    convert "$img" -quality "$JPEG_QUALITY" "$base_name".jpg
    
    # 合成带文本层的单页PDF
    hocr2pdf -i "$base_name".jpg -o "$base_name".pdf < "$base_name".hocr
    
    # 清理中间文件（hocr和jpg，可选保留）
    rm "$base_name".hocr "$base_name".jpg
done

# 合并所有单页PDF为一个多页PDF（可选）
pdfunite *.pdf final_all_pages.pdf

使用方法：

1. 将脚本保存为batch_ocr_pdf.sh
2. 赋予执行权限：chmod +x batch_ocr_pdf.sh
3. 在PNG图片所在目录执行：./batch_ocr_pdf.sh

注意事项 #

• 调整JPEG质量时，建议先测试不同数值，找到体积和清晰度的平衡点
• 如果扫描文档有倾斜，可先用ImageMagick的-deskew参数校正：convert input.png -deskew 40% -quality 80 output.jpg
• Tesseract支持多种语言包，可通过sudo apt install tesseract-ocr-<语言代码>安装，比如英文是tesseract-ocr-eng

内容的提问来源于stack exchange，提问作者Max Görner