Ubuntu系统下Tesseract识别图片生成可见纯文本PDF的相关问题咨询

问题原因 #

开启textonly_pdf参数后文字不可见，是因为未指定可见字体、或系统缺少对应字体依赖导致的。

解决步骤 #

1. 先升级Tesseract到4.0以上版本，同时安装通用开源字体和对应语言识别包（以下示例包含简体中文支持，不需要可去掉tesseract-ocr-chi-sim）

sudo apt update && sudo apt install --only-upgrade tesseract-ocr fonts-liberation tesseract-ocr-chi-sim

2. 调整运行命令，指定PDF输出使用的可见字体即可：

# 纯英文识别场景
tesseract -c textonly_pdf=1 -c pdf_font_name="Liberation Sans" test.tif test pdf
# 含简体中文识别场景，新增-l参数指定语言
tesseract -l chi_sim+eng -c textonly_pdf=1 -c pdf_font_name="Liberation Sans" test.tif test pdf

命令行工具：ocrmypdf #

是基于Tesseract封装的OCR专用工具，原生支持输出纯文本无原图的PDF，还自带倾斜校正、噪点清理等优化功能，识别准确率更高，Ubuntu下安装使用步骤：

1. 安装

sudo apt install ocrmypdf tesseract-ocr-chi-sim

2. 运行命令，--output-type pdftext参数就是仅输出可编辑文本、不保留原始图片

ocrmypdf -l chi_sim+eng --output-type pdftext test.tif test_output.pdf

Python工具：pytesseract + reportlab #

可以自定义文本排版、字体等细节，适合有定制化需求的场景：

1. 安装依赖

sudo apt install python3-pip tesseract-ocr-chi-sim && pip3 install pytesseract reportlab

2. 示例代码

import pytesseract
from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont

# 注册中文字体（不需要中文支持可跳过这步，直接用默认Helvetica字体）
pdfmetrics.registerFont(TTFont('LiberationSans', '/usr/share/fonts/truetype/liberation/LiberationSans-Regular.ttf'))

# 识别图片文本
ocr_text = pytesseract.image_to_string('test.tif', lang='chi_sim+eng')

# 生成纯文本PDF
c = canvas.Canvas('output.pdf')
c.setFont("LiberationSans", 12)
current_y = 800
line_height = 16

for line in ocr_text.split('\n'):
    # 页面超出时自动换页
    if current_y < 40:
        c.showPage()
        c.setFont("LiberationSans", 12)
        current_y = 800
    if line.strip():
        c.drawString(50, current_y, line.strip())
    current_y -= line_height

c.save()

内容的提问来源于stack exchange，提问作者Tinke