# 如何通过hOCR文件生成PDF文字层？

**URL:** <https://forum.freemdict.com/t/topic/30040>\
**Category:** 软件经验交流展望\
**Created:** [2024 年7 月 12 日 05:00 UTC](https://forum.freemdict.com/t/topic/30040 "2024-07-12T05:00:27Z")\
**Posts on this page:** 20\
**Page:** 1

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 12 日 05:00 UTC](https://forum.freemdict.com/t/topic/30040/1 "2024-07-12T05:00:27Z")

</div>

如题

自扫了几十本书，先前考虑到各种本地OCR软件识别精度不高错误太多、对文件的更改不可控等原因，一直没把那些书过OCR，直接分享了纯图片的PDF。

最近想试试使用云OCR，目前尝试了Google的Document AI，导出为hOCR文件。搜索过根据hOCR在PDF上生成文本层的软件，但找到的似乎不大符合需求（例如不支持中文），是否有方便的此类软件？gui, cli均可，方便调的库也行，实在不想自己写

---

<div class="post-metadata">

作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\
发布日期： [2024 年7 月 12 日 05:07 UTC](https://forum.freemdict.com/t/topic/30040/2 "2024-07-12T05:07:15Z")

</div>

OCRmyPDF 需要你自己写插件。

---

<div class="post-metadata">

作者： ![leoleo](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/leoleo/32/85507_2.png) [@leoleo](https://forum.freemdict.com/u/leoleo)\
发布日期： [2024 年7 月 12 日 12:59 UTC](https://forum.freemdict.com/t/topic/30040/3 "2024-07-12T12:59:00Z")

</div>

自扫书很清晰的话，用ocr软件，就可以达到比较好的效果。abbyy是很好的，不知道是不是业内对pdf做ocr的第一，但说它在top3以内，应该没有异议。  
我常用的三个，abbyy的afr15和16，foxitexitpro，pdfxchange。  
1，foxiteditpro的ocr购买了abbyy的模块。用2个软件比较过十来次，综合看，简中或简体+英文，foxit比abbyy略好一点。但它几乎没有设置选项，比如，只能ocr整本书  
2，ABBYY\_Finereader\_PDF 15或16综合最好，设置比较多，尤其校对功能很强。之前我认为16比15好，但最近遇到16的几次罢工，还是回到15版本用。  
3，pdfxchange的ocr也不错。  
总结一下就2点，  
简体，简体+英文，繁体+英文，用foxit；  
英文，用afr15。  
4，一般在ocr后，不做校对。一本pdf书籍几百页，错少量字词可以接受。  
有时手机翻拍重要的扫描文件，十几页最多二十来页的，就用afr ocr，然后逐页核对一遍，需要修改的量很少。只要原文比较平整，拍的清晰，ocr’的准确率相当高。用foxit的在ocr后校对极其不方便。

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 12 日 14:37 UTC](https://forum.freemdict.com/t/topic/30040/4 "2024-07-12T14:37:04Z")

</div>

谢谢，刚刚痛苦地折腾了一下，大概知道用法了。

目前的问题是还没适配cjk，复制出来会加空格

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 12 日 14:38 UTC](https://forum.freemdict.com/t/topic/30040/5 "2024-07-12T14:38:32Z")

</div>

有点强迫症，不大能接受一些ocr出来的错误。以前试过abbyy，感觉有时候错误还是会有……

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 12 日 14:53 UTC](https://forum.freemdict.com/t/topic/30040/6 "2024-07-12T14:53:24Z")

</div>

找到了，其实支持cjk，只是我的hocr没标每段的语言。在hocr里每段加个lang字段标为lang='chi\_sim’就行

---

<div class="post-metadata">

作者： ![leoleo](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/leoleo/32/85507_2.png) [@leoleo](https://forum.freemdict.com/u/leoleo)\
发布日期： [2024 年7 月 13 日 11:04 UTC](https://forum.freemdict.com/t/topic/30040/7 "2024-07-13T11:04:28Z")

</div>

你的這種方法的中英文的ocr识别率很高吗？很感兴趣，能不能请你介绍一下。可以的话，用一两个扫描的图象型pdf书籍例子，用你的方法，和用afr和Foxit\_PDF\_Editor\_Pro的对比一下，看看效果对比。你要出来例书，我用后者2种软件ocr一下。

---

<div class="post-metadata">

作者： ![random](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/random/32/19006_2.png) [@random](https://forum.freemdict.com/u/random)\
发布日期： [2024 年7 月 13 日 12:38 UTC](https://forum.freemdict.com/t/topic/30040/8 "2024-07-13T12:38:35Z")

</div>

> [@Chengzhir](#):
>
> 在hocr里每段加个lang字段标为lang='chi\_sim’就行

期待一个完整教程，我也用谷歌的OCR，一直没研究一下怎么把谷歌的OCR结果整合到PDF里

---

<div class="post-metadata">

作者： ![jax](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/j/bbe5ce/32.png) [@jax](https://forum.freemdict.com/u/jax)\
发布日期： [2024 年7 月 13 日 14:45 UTC](https://forum.freemdict.com/t/topic/30040/9 "2024-07-13T14:45:13Z")

</div>

夸克扫描王，正确率惊奇的高。信我，你会被震惊到的。只要图片字体清晰，那正确率基本能达到99%以上。

---

<div class="post-metadata">

作者： ![random](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/random/32/19006_2.png) [@random](https://forum.freemdict.com/u/random)\
发布日期： [2024 年7 月 13 日 15:51 UTC](https://forum.freemdict.com/t/topic/30040/10 "2024-07-13T15:51:22Z")

</div>

> [@jax](#):
>
> 夸克扫描王

这个的（还是 扫描全能王？）技术底座是合合OCR，中文OCR最强王者。  
英文识别还欠火候，目前不如百度和谷歌

更新：

> [@【工具资源】合合TextIn文档解析工具内测，免费OCR文本识别引擎+PDF解析，欢迎加入](https://forum.freemdict.com/t/topic/29694/1):
>
> 合合TextIn（扫描全能王技术底座）

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 13 日 15:53 UTC](https://forum.freemdict.com/t/topic/30040/11 "2024-07-13T15:53:08Z")

</div>

我现在也不大确定这种方法和一般PDF处理软件带的OCR相比效果如何。目前Document AI的效果大概是，纯文本准确度很高，但逗号冒号等标点只会识别出半角标点，复杂版面、数学公式（保留格式、转成latex格式等等不用想，还有x识别成æ，λ识别成了入等情况）等情况下效果就一般。

[REDACTED]

这是例书，其中æ被我手动更正了所以里面没有。我现在在跑一本纯文本的书，跑完了也发上来。

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 13 日 15:54 UTC](https://forum.freemdict.com/t/topic/30040/12 "2024-07-13T15:54:15Z")

</div>

晚点吧，写的代码有点烂，还是半成品，不大好意思发出来（（

总体思路大概是把pdf拆成单页，传给Document AI，获取hOCR文件后，调用OCRmyPDF的ocrmypdf.api.\_hocr\_to\_ocr\_pdf函数。不过OCRmyPDF处理后好像文件会变大一些，我后面会再过一遍pdfpatcher的无损压缩

---

<div class="post-metadata">

作者： ![random](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/random/32/19006_2.png) [@random](https://forum.freemdict.com/u/random)\
发布日期： [2024 年7 月 13 日 15:54 UTC](https://forum.freemdict.com/t/topic/30040/13 "2024-07-13T15:54:39Z")

</div>

> [@Chengzhir](#):
>
> Document AI

这个我觉得是英文识别最强王者

---

<div class="post-metadata">

作者： ![random](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/random/32/19006_2.png) [@random](https://forum.freemdict.com/u/random)\
发布日期： [2024 年7 月 13 日 15:55 UTC](https://forum.freemdict.com/t/topic/30040/14 "2024-07-13T15:55:03Z")

</div>

> [@Chengzhir](#):
>
> 晚点吧

严重期待下 😀

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 13 日 16:17 UTC](https://forum.freemdict.com/t/topic/30040/15 "2024-07-13T16:17:05Z")

</div>

这是几乎纯文本的例书：

[REDACTED]

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 13 日 16:23 UTC](https://forum.freemdict.com/t/topic/30040/16 "2024-07-13T16:23:09Z")

</div>

测试了一下[隔壁贴](https://forum.freemdict.com/t/topic/29093)的样本一

> [@文本识别 OCR 引擎对比](https://forum.freemdict.com/t/topic/29093/1):
>
> ## 样本一：汉语成语源流大辞典
> 
> 测试图片：[1468\_0.png.zip](https://forum.freemdict.com/uploads/short-url/qNWo6dXaImngHwvC0yUWtV0Rp3g.zip) (3.2 MB)

[test.pdf](https://forum.freemdict.com/uploads/short-url/tJVotNDEGyHqZ5gzTuiPlLuSdWD.pdf) (3.0 MB)

没有仔细校对，似乎列出的其他OCR软件的错误，除了漏专(阃)久膺和标点符号以外都未出现在Google Document AI结果中。不过逗号冒号等标点还是全给了半角标点，还有括号漏了三个

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 13 日 16:42 UTC](https://forum.freemdict.com/t/topic/30040/17 "2024-07-13T16:42:13Z")

</div>

Document AI普通那档每月一千页免费额度，往上一千页1.5美元，新用户送300美元额度，好像还挺划算的？

---

<div class="post-metadata">

作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\
发布日期： [2024 年7 月 13 日 16:54 UTC](https://forum.freemdict.com/t/topic/30040/18 "2024-07-13T16:54:16Z")

</div>

> [@Chengzhir](#):
>
> [test.pdf](https://forum.freemdict.com/uploads/short-url/tJVotNDEGyHqZ5gzTuiPlLuSdWD.pdf) (3.0 MB)

你能直接贴下文本或者上传下 xml 吗？我复制到的文本很多错误，不确定哪边的问题。

---

<div class="post-metadata">

作者： ![Chengzhir](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/c/ac91a4/32.png) [@Chengzhir](https://forum.freemdict.com/u/Chengzhir)\
发布日期： [2024 年7 月 13 日 17:00 UTC](https://forum.freemdict.com/t/topic/30040/19 "2024-07-13T17:00:07Z")

</div>

抱歉传错了，这个好像是没识别的

[ocred1.pdf](https://forum.freemdict.com/uploads/short-url/rtQQdIbNqqdYWjYt6rf1zuEE0dV.pdf) (597.4 KB)  
[000001\_ocr\_hocr.zip](https://forum.freemdict.com/uploads/short-url/stnkXLXhcTWXdX9IBYSY73YeUU8.zip) (13.9 KB)

---

<div class="post-metadata">

作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\
发布日期： [2024 年7 月 13 日 17:22 UTC](https://forum.freemdict.com/t/topic/30040/20 "2024-07-13T17:22:20Z")

</div>

拼音全对，符号错两处，识别质量很不错。

- 大(孚)众望 // 漏字
- 专(阃)久膺 // 漏字
- (圣)明洞鉴 // 漏字
- 九(一) // 错字：-

[下一页](https://forum.freemdict.com/t/topic/30040.md?page=2)
