显示粘贴内容表单波斯语pdf的问题

Question

我有一个波斯语的 pdf 代码，但是当我尝试复制内容时，内容将显示为无意义的字母（数字除外） 示例：我从我的 pdf 中复制了一些文本并将其粘贴到此处： 371960012100240806356111 => '371960012100240806356111' 数字粘贴在右边

---

但是当我尝试复制名称之类的内容时 ​​​​ 它将被粘贴 £3⁄4ÉuÅ{

我该如何解决这个问题？我想用 python 提取内容，它可以工作，但我无法正确显示名称！

pdf 示例文件在这里：https://ufile.io/qibejys1

谢谢

Answer 1

您可能想尝试以下步骤：

1. 安装 Tesseract 4 或更高版本，检查official tutorial
2. 获取 Persian-specific model 并将其复制到本地 tessdata 文件夹
3. 将有问题的PDF页面（先分页，看看pdftk工具）转为tiff（在ubuntu中，使用convert命令）
4. 运行类似tesseract -l fas image.tiff text.txt
5. 使用选项调整您的命令，例如 psm