.-- .. - .... .-.. --- ...- .

今天拿到一个扫描的 PDF 文档，希望从里面搜索一些文字内容出来，于是调查了一下 OCR 工具和库，通过简单的命令将 PDF 文档先转换成图片，然后识别出文字来。

这里记个流水账先。

目前 OCR 开源实现里最著名的应该就是 Tesseract 了，网上也有很多介绍， 不多言，只说这个东西是可以识别很多种语言的，包括简体中文。

Tesseract 包含 Tesseract 引擎和一个命令行工具，我这个小需求只用到了命令行工具， Mac 下安装这个工具很简单，例如用 brew：

sudo brew install tesseract

我的文档是中文的，因此需要让 Tesseract 能识别中文。 可以到这里下载中文训练数据 chi_sim.traineddata， 然后把这个训练数据文件放在 Tesseract 的数据目录里就好了，我这里是： /usr/local/Cellar/tesseract/${version}/share/tessdata/。

Tesseract 的命令行工具很好用，比如识别一张图片 file.png 上的中文，只需要：

tesseract file.png outfile -l chi_sim

其中 file.png 是中文文本图片，outfile 是输出文件名前缀，后缀默认是 .txt， -l 指定了 OCR 使用的训练数据，这里使用了刚刚下载的这个 chi_sim，用于识别中文。

另外，tesseract 应该是不能直接输入 PDF 文档进行识别的，因此我首先用 ghostscript 把 PDF 文档转成了一页一页的 PNG 图片：

gs -dBATCH -dNOPAUSE -sDEVICE=pnggray -r300 -dUseCropBox \
        -sOutputFile=page-%05d.png doc.pdf

上面的命令会将 PDF 文档的每一页生成一副 PNG 图像文件，文件命名前缀是 page-， 然后是五位数的页码和后缀。

下面是我随便搞了一张图片的识别效果， 字体合适时，汉字识别率还是很高的，偶尔会有一些错误，不过标点和夹杂的英文识别错误比较多。

如果需要进一步提高 OCR 的识别率，一方面按照官方文档所说，可以对图片进行预处理， 如降噪、旋转、二值化等，另一方面还可以针对特殊字体自己训练数据， 例如上面例子中这个字体的'不'字总是被识别成'爪'字，就是可以通过训练纠正过来的， 这方面网上有资料，我还没有做过。