ocrmypdf_pdf识别
安装
安装说明
https://ocrmypdf.readthedocs.io/en/latest/installation.html#native-windows
提到需要的软件：
Python 3.7 (64-bit) or later
Tesseract 4.0 or later
Ghostscript 9.50 or later
安装 ocrmypdf
pip install ocrmypdf添加语言包
https://ocrmypdf.readthedocs.io/en/latest/languages.html
从 https://github.com/tesseract-ocr/tessdata/ ，解压里面的扩展名为traineddata的文件，复制到 C:\Program Files\Tesseract-OCR\tessdata {Tesseract-OCR安装目录}\tessdata
使用
命令行
ocrmypdf -l chi_sim --pdf-renderer tesseract --output-type pdf source.pdf ocr.pdf
-l language的意思，chi_sim对应 C:\Program Files\Tesseract-OCR\tessdata\ 路径下的 chi_sim.traineddata 文件，如果是中英文混排的情况，就把-l chi_sim改成
-l chi_sim+eng
更多使用说明 https://ocrmypdf.readthedocs.io/en/latest/cookbook.html
API
使用说明Using the OCRmyPDF API — ocrmypdf 16.0.3.dev5+g14365d1 documentation
import ocrmypdfif __name__ == '__main__': # To ensure correct behavior on Windows and macOSocrmypdf.ocr('input.pdf', 'output.pdf', deskew=True)中文处理
问题
由于ocrmypdf对中文pdf识别后存在空格，根据以下链接知道
preserve_interword_spaces option not working on 4.00alpha · Issue #781 · tesseract-ocr/tesseract · GitHub
extra space in the result pdf when the input pdf is in Chinese · Issue #715 · ocrmypdf/OCRmyPDF · GitHub
extra spaces in result when ocr chinese · Issue #991 · tesseract-ocr/tesseract · GitHub
主要去设置tesseract的最关键参数是：
| 1 |
|
正如这个链接所问的，extra space in the result pdf when the input pdf is in Chinese · Issue #715 · ocrmypdf/OCRmyPDF · GitHub，那么如何在ocrmypdf中设置呢？
解决过程
首先尝试的试试按照使用--tesseract-config方法（下面pdf9.2.5章节）：
https://media.readthedocs.org/pdf/ocrmypdf/latest/ocrmypdf.pdf
命令：
ocrmypdf -l chi_sim --tesseract-oem 1 --tesseract-pagesegmode 6 --tesseract-config C:\Users\Administrator\Desktop\my.cfg C:\Users\Administrator\Desktop\11.pdf 121.pdf
或者（二者均可）
ocrmypdf -l chi_sim --tesseract-config C:\Users\Administrator\Desktop\my.cfg C:\Users\Administrator\Desktop\11.pdf 121.pdf
其中my.cfg是一个本地文件：里面内容是
preserve_interword_spaces 1
经测试：上面的121.pdf还是无法实现pdf复制为不带空格的文字,但是导出txt可以实现不带空格。
这个评论是错的。https://github.com/ocrmypdf/OCRmyPDF/issues/885#issuecomment-1033367021 这个网友说了当你选择OEM选择LSTM模型（如下面说明，oem选择1或者2）时候，--tesseract-config不会生效，事实上会生效的。（被这个误导了很久）
下面资料来源于：All Tesseract OCR options – Muthukrishnan
也可以参考这里：用于光学字符识别的 Tesseract - 知乎
OCR options:--tessdata-dir PATH Specify the location of tessdata path.--user-words PATH Specify the location of user words file.--user-patterns PATH Specify the location of user patterns file.-l LANG[+LANG] Specify language(s) used for OCR.-c VAR=VALUE Set value for config variables.Multiple -c arguments are allowed.--psm NUM Specify page segmentation mode.--oem NUM Specify OCR Engine mode. NOTE: These options must occur before any configfile. Page segmentation modes:0 Orientation and script detection (OSD) only.1 Automatic page segmentation with OSD.2 Automatic page segmentation, but no OSD, or OCR.3 Fully automatic page segmentation, but no OSD. (Default)4 Assume a single column of text of variable sizes.5 Assume a single uniform block of vertically aligned text.6 Assume a single uniform block of text.7 Treat the image as a single text line.8 Treat the image as a single word.9 Treat the image as a single word in a circle.10 Treat the image as a single character.11 Sparse text. Find as much text as possible in no particular order.12 Sparse text with OSD.13 Raw line. Treat the image as a single text line,bypassing hacks that are Tesseract-specific. OCR Engine modes: (see https://github.com/tesseract-ocr/tesseract/wiki#linux)0 Legacy engine only.1 Neural nets LSTM engine only.2 Legacy + LSTM engines.3 Default, based on what is available.
另外，我还测试了导出txt的结果，当你使用--tesseract-config C:\Users\Administrator\Desktop\my.cfg 之后可以保证导出的txt是不带空格的，pdf还是复制空格
再次使用命令：（其中--sidecar 121.txt表示输出txt）
ocrmypdf --force-ocr --tesseract-config C:\Users\Administrator\Desktop\my.cfg -l chi_sim --sidecar 121.txt C:\Users\Administrator\Desktop\11.pdf 121.pdf
效果：输出121.txt没有空格，121.pdf复制还有空格。
经过测试：跟这个里面extra space in the result pdf when the input pdf is in Chinese · Issue #715 · ocrmypdf/OCRmyPDF · GitHub说的一样（但是他是ocrmypdf的老版本）即输出txt才会出现没有空格，pdf还是复制有空格。
Ocrmypdf的作者@jbarlow83一直说的是阅读器问题，但是事实上不是阅读器问题。
也就是说我们只是部分解决（曲线救国）了pdf出现文本图层含有多余空格的问题。
目前我测试了其他的大量方法均无效。作者也从未给出有效解决方案，目前日韩网友（Detection of extra spaces while running own trained tesseract for Korean OCR · Issue #1009 · tesseract-ocr/tesseract · GitHub）也存在这个问题。
以上总结：
（1）使用--tesseract-config设置可以实现：导出txt不带空格，但是pdf复制带空格。
（2）不使用--tesseract-config设置效果：导出txt带空格，pdf复制也是带空格。
最终思路
使用config设置，输出txt以复制文字。如果有大神可以继续给我提示，谢谢！
最佳思路：
ocrmypdf --force-ocr --tesseract-config C:\Users\Administrator\Desktop\my.cfg -l chi_sim --sidecar out.txt C:\Users\Administrator\Desktop\input.pdf output.pdf
彩蛋：测试数据与做好的my.cfg
测试数据：11.pdf官方版下载丨最新版下载丨绿色版下载丨APP下载-123云盘 提取码:newt
做好的my.cfg： https://www.123pan.com/s/9Rn9-qhQpH.html
致谢
上面链接分享者。还有这个：https://github.com/dahuoyzs/javapdf/blob/master/OCRmyPDF%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B.md
后续
作者给我的最新回答是，"请理解这个问题是由于Tesseract产生的PDF，一些PDF阅读器不能正确解释，目前没有人有解决办法。"
我测试了tesseract v5.3.1.20230401出现的情况:
tesseract input.png out -l chi_sim --oem 1 --psm 6 -c preserve_interword_spaces=1 pdf
我得到了与ocrmypdf相同的结果:输出txt没有空格，但从pdf复制的文本仍然有空格。
因此，这个问题发生在Tesseract而不是ocrmypdf。这个结论需要让更多的用户知道。
最终篇
目前看来，要想ocrmypdf使得输出pdf不出现复制文字的空格，唯一且不算特别好的解决方案就是使用oem 0（采取非LSTM模型，但是识别效果不好）
ocrmypdf -l chi_sim --tesseract-oem 0 input.pdf output.pdf
这种方法直接复制pdf的文字，不会出现空格，但是复制的文字有的识别不正确。
这位网友的测试证实了我的说法：Chinese recognition was incorrectly segmented by spaces · Issue #2814 · tesseract-ocr/tesseract · GitHub