R语言将扫描版PDF转换为可搜索PDF的实现方法咨询

你无需手动解析ocr_data返回的坐标结果自行拼接文本层，tesseract包已内置直接输出可搜索PDF的封装函数ocr_pdf()，直接调用即可完成需求，示例代码如下：

library(tesseract)

# 下载示例扫描PDF
download.file("https://www.fujitsu.com/global/Images/sv600_c_automatic.pdf", "example.pdf", mode = "wb")

# 直接输出可搜索PDF，最终生成文件为 example_ocr.pdf
ocr_pdf(
  input = "example.pdf",
  output = "example_ocr",
  engine = tesseract(language = "eng")
)

如果你的场景确实需要基于现有results中的bbox坐标手动生成文本层，可以将bbox按逗号拆分为左、上、右、下四个像素坐标，配合magick、grid、pdftools包逐页将文字绘制到对应位置后导出PDF，普通场景下不推荐这种重复造轮子的操作。

• R包类
  • magick：可用于扫描PDF的预处理，支持旋转、降噪、裁剪、调整对比度等操作，处理后再喂给OCR工具可大幅提升识别准确率
  • ocrmypdf：是Python OCR工具ocrmypdf的R封装，需提前安装对应Python依赖，支持自动纠偏、去黑边、优化PDF体积，输出的可搜索PDF质量比tesseract原生输出更高
• 命令行工具类
  • Tesseract CLI：安装Windows版的tesseract命令行工具后，可在R中通过system()函数调用批量处理，适合大体积批量文件的处理场景，运行效率高于纯R接口
  • Ghostscript：可用于OCR输出后PDF的压缩、拆分、合并操作，同样可通过R的system()调用

内容的提问来源于stack exchange，提问作者Thomas Speidel