ocrmypdf识别PDF工程图直径符号出错，求OCR优化方案

问题根源分析 #

1. Tesseract参数格式错误：你把所有Tesseract参数塞在单个字符串里，ocrmypdf会将整个字符串当作单个参数传递给Tesseract，导致它误以为这是一个参数文件名，从而报错"Can't open --psm 6 -c tessedit_char_whitelist=..."，同时白名单里的直径符号被截断，仅保留了数字。
2. 符号不匹配：你白名单里加的是ø（U+00F8），但实际需要识别的是⌀（U+2300），两个字符编码不同，导致白名单未生效。
3. PSM模式不合适：PSM 6适用于连续文本块，工程图里的符号和数值通常分散排布，容易导致识别偏差。

具体优化方案 #

1. 修正Tesseract参数传递方式

ocrmypdf的tesseract_config需要传递字符串列表，每个参数单独作为列表元素：

import ocrmypdf

input_file = "C:/input.PDF"
output_file = "C:/output1.pdf"

# 正确参数格式：每个Tesseract参数单独列为列表项
ocrmypdf.ocr(
    input_file,
    output_file,
    deskew=True,
    force_ocr=True,
    tesseract_config=[
        '--psm', '7',  # 假设文本为单行，适配工程图标注排版
        '-c', 'tessedit_char_whitelist=0123456789⌀'  # 加入正确的直径符号⌀
    ]
)

2. 选择适配的PSM模式

根据工程图排版，推荐尝试这些PSM模式：

• --psm 7：假设输入为单行文本，适合识别标注式的数值+符号组合
• --psm 10：单独识别每个字符，适合分散的符号和数字
• --psm 3：全自动模式（默认），若上述模式效果差可换回

3. 图像预处理提升识别率

工程图可能存在模糊、低对比度问题，可通过以下方式优化：

• 启用ocrmypdf的阈值处理：添加--threshold参数，自动将图像转为黑白，强化符号边缘
• 手动预处理：若PDF是扫描件，先将页面导出为图片，用图像工具（如GIMP）提高对比度、锐化后再进行OCR

4. 自定义Tesseract训练（进阶）

若上述方法仍不理想，可针对工程图字体训练Tesseract自定义字库：

1. 提取工程图中的⌀和数字样本，生成训练用的.tif和.box文件
2. 使用Tesseract训练工具生成自定义语言包
3. OCR时通过--language参数指定自定义语言包

日志错误说明 #

之前日志中的read_params_file: Can't open --psm 6 -c tessedit_char_whitelist="0123456789"，是因为参数格式错误导致Tesseract把整个参数字符串当成了要打开的配置文件，修正参数传递方式后该错误会消失。

内容的提问来源于stack exchange，提问作者Nick Stankat