1. Các sản phẩm
  2.   OCR
  3.   Python
  4.   OCRmyPDF
 
  

API Python OCR nguồn mở để làm cho PDF hình ảnh có thể tìm kiếm được

Một API Python OCR miễn phí mạnh mẽ để tự động hóa quy trình OCR và tạo điều kiện thuận lợi cho việc chuyển đổi PDF hình ảnh được quét thành các tài liệu có thể tìm kiếm đầy đủ một cách dễ dàng.

Công nghệ Nhận dạng ký tự quang học (OCR) đã cách mạng hóa cách chúng ta xử lý và xử lý tài liệu, cho phép chúng ta trích xuất thông tin có giá trị một cách hiệu quả. Trong số nhiều công cụ OCR có sẵn, OCRmyPDF nổi bật là một thư viện Python đa năng và mạnh mẽ kết hợp tính dễ sử dụng với độ chính xác đặc biệt. OCRmyPDF là một công cụ dòng lệnh nguồn mở và thư viện Python được thiết kế riêng để thêm OCR vào các tệp PDF hiện có. Thư viện phân tích từng trang của tệp PDF để xác định không gian màu và độ phân giải (DPI) cần thiết để nắm bắt tất cả thông tin trên trang đó mà không làm mất nội dung.

Thư viện OCRmyPDF nguồn mở hỗ trợ nhiều định dạng đầu vào, bao gồm hình ảnh được quét, PDF hiện có và thậm chí cả tệp DjVu. Thư viện hoạt động theo nguyên tắc "hình ảnh cộng với văn bản" và hướng đến mục tiêu tạo ra đầu ra chất lượng cao bằng cách giữ nguyên cấu trúc và định dạng của tài liệu gốc. Thư viện sử dụng các kỹ thuật tối ưu hóa PDF để giảm kích thước tệp trong khi vẫn duy trì chất lượng cao nhất có thể. Bằng cách áp dụng nén và lấy mẫu xuống, nó đảm bảo rằng các tệp PDF hỗ trợ OCR kết quả vừa hiệu quả để lưu trữ vừa nhanh chóng để tải.

OCRmyPDF sử dụng công cụ Tesseract OCR mạnh mẽ, hỗ trợ hơn 100 ngôn ngữ. Các thuật toán tiên tiến của nó đảm bảo nhận dạng chính xác văn bản, ngay cả từ hình ảnh chất lượng thấp hoặc bị méo. Thư viện đã cung cấp hỗ trợ để tạo tệp PDF/A có thể tìm kiếm từ PDF thông thường một cách dễ dàng. Nó cũng cung cấp một số tùy chọn xử lý hình ảnh, như deskew, giúp cải thiện giao diện của tệp và chất lượng OCR. Khi những tùy chọn này được sử dụng, lớp OCR sẽ được ghép vào hình ảnh đã xử lý. Bộ tính năng toàn diện của nó, bao gồm hỗ trợ nhiều ngôn ngữ, tối ưu hóa PDF, kiểm soát lớp văn bản và xử lý tự động, khiến nó trở thành một công cụ có giá trị cho các doanh nghiệp, nhà nghiên cứu, người lưu trữ và bất kỳ ai xử lý khối lượng lớn tài liệu được quét.

Previous Next

Bắt đầu với OCRmyPDF

Cách được khuyến nghị để cài đặt OCRmyPDF là sử dụng pip. Vui lòng sử dụng lệnh sau để cài đặt suôn sẻ.

Cài đặt OCRmyPDF qua pip

 pip install ocrmypdf

Bạn cũng có thể cài đặt thủ công; tải xuống các tệp phát hành mới nhất trực tiếp từ kho lưu trữ GitHub.

Tối ưu hóa PDF bằng API Python

Thư viện OCRmyPDF nguồn mở đã cung cấp hỗ trợ các tính năng rất hữu ích để quản lý kích thước và chất lượng của các tài liệu PDF bên trong các ứng dụng Python. Thư viện sử dụng các kỹ thuật tối ưu hóa PDF để giảm kích thước tệp trong khi vẫn duy trì chất lượng cao nhất có thể. Bằng cách áp dụng nén và lấy mẫu xuống, nó đảm bảo rằng các tệp PDF hỗ trợ OCR kết quả vừa hiệu quả để lưu trữ vừa tải nhanh. OCRmyPDF cung cấp một số tùy chọn tối ưu hóa mà bạn có thể tùy chỉnh dựa trên yêu cầu của mình. Một số tùy chọn thường dùng bao gồm xóa các tệp tạm thời, áp dụng nén JBIG2, bỏ qua việc thêm OCR, vô hiệu hóa nén không mất dữ liệu để tối đa hóa việc giảm kích thước tệp, v.v.

Làm thế nào để tối ưu hóa tệp PDF bằng API Python?

import subprocess

def optimize_pdf_with_ocrmypdf(input_pdf_path, output_pdf_path):
    try:
        # OCRmyPDF command with optimization options
        command = ['ocrmypdf', '-l', 'eng', '--pdf-renderer', 'hocr', '--optimize', '0', input_pdf_path, output_pdf_path]
        
        # Execute the OCRmyPDF command
        subprocess.run(command, check=True)
        
        print("PDF optimization complete!")
    except subprocess.CalledProcessError as e:
        print(f"OCRmyPDF error: {e}")
        
# Example usage
input_pdf_path = 'input.pdf'
output_pdf_path = 'output.pdf'

optimize_pdf_with_ocrmypdf(input_pdf_path, output_pdf_path)

Tích hợp lớp văn bản PDF qua API Python

OCRmyPDF, một thư viện mã nguồn mở, cung cấp giải pháp mạnh mẽ để tích hợp các lớp văn bản vào tệp PDF, tăng cường khả năng truy cập và tìm kiếm tài liệu. Thư viện thêm một lớp văn bản chứa văn bản do OCR tạo trực tiếp vào tài liệu PDF, đảm bảo giữ nguyên bố cục gốc. Tính năng này cho phép tìm kiếm toàn văn, sao chép-dán và trích xuất văn bản. Khi làm việc với tài liệu PDF, việc tích hợp một lớp văn bản trong tệp là rất có lợi. Lớp văn bản chứa văn bản do OCR tạo ra đã được nhận dạng, giúp PDF có thể tìm kiếm và cho phép sao chép và trích xuất văn bản dễ dàng. Tích hợp này giữ nguyên bố cục tài liệu gốc đồng thời cho phép thực hiện các thao tác dựa trên văn bản, tăng cường khả năng sử dụng và hiệu quả của tài liệu.

 Tiếng Việt