自动连接 PDF 中的文本框

Question

我在 Fraktur font 中有一个文档，并使用 tesseract 执行了 OCR（语言为 deu-frak）。我花了大约 10 天（一天 24 小时）来转换这 23 期（每期大约 400 页）。

结果是一个可搜索的 PDF，其中嵌入了原始图像和顶部的不可见文本：

现在，我删除了带有Master PDF Editor 的图像，并将文本类型从“不可见”更改为“全文”。现在事实证明，有些单词没有被 tesseract 识别，所以每个字母都是分开定位的： 请注意，“kommen”被识别为单词，但“fruchtbaren”仅被识别为字符序列。这使得无法通过文本搜索找到“fruchtbaren”，并且在更改字体大小时，字母重叠或产生难看的间隙。

我正在使用 Linux 并寻找一个命令行工具，它允许编写所有 23 个 PDF 文档的脚本。

是否有可能以最小距离连接文本框，或者甚至连接一条线会很棒？

谢谢。

Answer 1

可能不是您想听到的，但我会返回并在一个小的代表性样本上尝试预处理、Tesseract 参数等，直到您获得尽可能好的初始 OCR（包括分词），然后使用新设置重新运行 OCR。如果您仍然发现需要某种类型的后处理，我会再次在一个小样本上构建和优化整个管道，然后再运行您的完整数据集。

从表面上看，Tesseract 似乎可以做得更好，前提是您为其提供具有足够扫描分辨率的干净图像。