在Windows Python中将不可搜索的Pdf转换为可搜索的Pdf

Question

需要一个解决方案来转换PDF文件，其中每个页面都是图像，页面可以包含文本，表格或两者的组合到可搜索的pdf。

我使用了ABBY FineReader Online，这项工作做得非常好，但我正在寻找一个可以通过Windows Python实现的解决方案

我已经做了详细的分析，下面的链接接近我想要的，但并不准确：

扫描图像/PDF到可搜索图像/PDF

它告诉我们首先要使用Ghost脚本将其转换为图像，然后直接转换为文本。我不相信tesseract会将不可搜索的PDF转换为可搜索的PDF。

将可搜索的PDF转换为不可搜索的PDF

上述解决方案有相反的帮助，即将可搜索转换为不可搜索。而且我认为这些在Ubuntu/Linux/MacOS中是有效的。

有人能告诉我，在Windows Python中实现不可搜索到可搜索的Python代码应该是什么吗？

更新1

我用Asprise Web Ocr获得了预期的结果。以下是链接和代码：

https://asprise.com/royalty-free-library/python-ocr-api-overview.html

我正在寻找一个只能通过Windows Python库来实现的解决方案

1. 以后无需支付订阅费用
2. 我每天需要转换数千个文档，将一个文档上传到API，然后下载等都会很麻烦

更新2

我知道将不可搜索的pdf直接转换为文本的解决方案。但我正在寻找的是他们的任何方式来转换非搜索到可搜索的PDF。我有使用PyPDF2将PDF转换为文本的代码。

Answer 1

我最近写了一篇博客文章，我用以下方法完成了这一点：

• OCRmyPDF——一个包装Tesseract的python库
• docker容器在Azure中运行

你可能需要调整一些东西来满足你的需求，但我相信本文中的构建模块可以应用于你的需求：

http://martyice.github.io/docker-in-azure/

Answer 2

我以前用pypdfocr来做这个。不过最近还没有更新。

自述文件：

pypdfocr filename.pdf
--> filename_ocr.pdf will be generated

请仔细阅读Windows的安装说明。

最近的Python库是OCRmyPDF：https://github.com/jbarlow83/OCRmyPDF有一个适用于Windows的Docker映像

Answer 3

实际上，你不需要将pdf中的所有内容都转换成文本。文本将保留为文本，表格将保留为表格，如果可能的话，图像将变成文本。您需要一个脚本，它可以按原样读取pdf，并在块上开始转换。脚本将编写文本块，直到文档被完全读取，然后将其转换为pdf。差不多

if line_is_text():
    write_the_line_as_is()
elif line_is_img():
    transform_img_in_text()# comments below code
...
..
.

现在transform_img_in_text（）我认为它可以用许多外部库来完成，一个你可以使用的库可以是：

Tesseract OCR Python

你可以通过pip下载这个库，上面的链接提供了说明。