我有几个低质量的 pdf。我想使用 OCR——更准确地说是Ocropus 从他们那里获取文本。为了使用，我首先使用ImageMagick -- 一个将 pdf 转换为图像的命令行工具 -- 将这些 pdf 转换为 jpg 或 png。
然而 ImageMagick 产生的图像质量非常低，而 Ocropus 几乎无法识别任何东西。我想了解处理低质量 pdf 以向 OCR 提供尽可能高质量的图像的最佳参数是什么。
我找到了this page，但我不知道从哪里开始。
【问题讨论】：
标签： linux pdf image-processing imagemagick ghostscript
您可能需要考虑至少两个其他工具：
pdfimages 与 poppler-utils 软件包一起提供，可以轻松地从 PDF 中提取图像而不会降级。pdfsandwich，只需运行 pdfsandwich inputfile.pdf 即可为您提供 OCR 文件。您可能需要调整选项以获得不错的结果。请参阅the official page 了解更多信息。【讨论】：
您可以通过键入了解 ImageMagick 的“委托”（IM 使用的外部程序，例如 Ghostscript）的详细设置
convert -list delegate
（在我的系统上，这是一个包含 32 个不同命令的列表。）现在要查看哪些命令用于转换为 PNG，请使用以下命令：
convert -list delegate | findstr /i png
好的，这是针对 Windows 的。你没有说你使用哪个操作系统。 [*]如果您使用的是 Linux，请尝试以下操作：
convert -list delegate | grep -i png
您会发现 IM 仅从 PS 或 EPS 输入生成 PNG。那么 IM 如何从您的 PDF 中获取 (E)PS 呢？简单：
convert -list delegate | findstr /i PDF
convert -list delegate | grep -i PDF
啊！它使用 Ghostscript 进行 PDF => PS 转换，然后再次使用 Ghostscript 进行 PS => PNG 转换。有效，但不是最有效的方法如果您知道 Ghostscript 可以在 one 中执行 PDF => PNG。而且速度更快。而且质量要好得多。
关于 IM 通过 Ghostscript 委托处理 PDF 到图像的转换，您首先应该知道两件事：
-density 600，它告诉 Ghostscript 使用 600 dpi 分辨率进行图像输出。PDF => PS 然后PS => PNG 是一个真正的错误。因为您从不赢得并在第一步中很难保持质量，但经常会失去一些。原因：
PS => PDF 方向的转换并不那么关键....）这就是为什么我建议您直接使用 Ghostscript 将 PDF 一次性转换为 PNG（或 JPEG）。并使用 Ghostscript 的most recent version 8.71（即将发布：9.01）！以下是示例命令：
gswin32c.exe ^
-sDEVICE=pngalpha ^
-o output/page_%03d.png ^
-r600 ^
d:/path/to/your/input.pdf
（这是 Windows 的命令行。在 Linux 上，使用 gs 代替 gswin32c.exe，并使用 \ 代替 ^。）此命令期望找到一个 output 子目录，它将在其中存储一个每个 PDF 页面的单独文件。要生成高质量的 JPEG，请尝试
gs \
-sDEVICE=jpeg \
-o output/page_%03d.jpeg \
-r600 \
-dJPEGQ=95 \
/path/to/your/input.pdf
（Linux 命令版本）。这种直接转换避免了中间 PostScript 格式，该格式可能会丢失原始 PDF 文件中的 TrueType 字体和透明度对象信息。
[*] 天啊！一开始我错过了看到你的“linux”标签......
【讨论】：
-density 600 左右应该可以满足您的需求。
【讨论】：