Wie komprimiere ich Tesseract-kodierte PDFs, während der eingebettete Text von OCR erhalten bleibt?

Ich habe mit Tesseract experimentiert, um meine PDFs zu OCR zu machen, und es war meistens erfolgreich, insbesondere mit deutschen Fraktur-Texten (dem alten gotischen Druck), die Tools wie Adobe Acrobat nicht richtig erkennen können.

Das Problem ist, dass die Ausgabedateien von Tesseract ziemlich groß sind und ich sie nach dem OCRing komprimieren möchte. Wenn ich jedoch Ghostscript zum Komprimieren der Dateien verwende, ist der eingebettete OCR-Text durcheinander geraten. Wenn ich ImageMagick verwende, wird der eingebettete Text ebenfalls entfernt. Gibt es da einen Weg? Theoretisch könnte ich vor dem OCRing komprimieren, aber das würde die OCR-Genauigkeit verschlechtern.

Im Allgemeinen ist es mein Ziel, einen qualitativ hochwertigen OCR-eingebetteten Text in meinen PDF-Ausgabedateien zu haben und die eingebetteten Bilder stark zu komprimieren, sodass die Dateien nicht annähernd so viel Speicherplatz beanspruchen. Ich habe festgestellt, dass die Adobe Acrobat Pro-Funktion "Als andere speichern> Reduziertes PDF-Format" die Bilder stark komprimiert, jedoch den OCR-Text verschraubt. Dies gilt unabhängig davon, ob die Dateien in Acrobat OCR-Datei waren oder ein Tool wie Tesseract verwendet.

Hier ist mein aktueller Workflow mit einem Beispiel-PDF .

PDF in TIFF-Dateien aufteilen

pdftk infile.pdf burst output "temp/page_%03d.pdf" dpi=130 #this is the dpi of the particular file parallel convert -verbose -density $dpi "{}" -depth 8 -background white -compress zip "{}.tiff" ::: temp/*.pdf 

Tesseract für jede der TIFF-Dateien ausführen (siehe Ausgabe der Beispieldatei )

language=deu_frak parallel tesseract {} {} -l $language pdf ::: temp/*.tiff 

• Wenn ich die ausgegebenen PDF-Dateien mit Ghostscript kombiniere, erhalte ich eine Datei wie diese, die den eingebetteten Text verschraubt
• Wenn ich sie mit PDFtk kombiniere (zB pdftk temp / *. Pdf cat output outfile.pdf`), erhalte ich eine Datei wie diese, die den eingebetteten Text beibehält, aber die Datei irgendwie größer macht
• Und wenn ich versuche, diese Datei mit ImageMagic zu komprimieren (zB convert -density 130x130 -quality 5 -compress jpeg outfile-pdftk.pdf outfile-pdftk-imagemagick.pdf), wird der eingebettete OCR-Text ( Ausgabe ) entfernt.

Es scheint, dass Tesseract die Bilder in der Ausgabe-PDF nicht komprimiert, was zu erwarten ist - seine Aufgabe ist es, die Dateien zu OCR zu machen, nicht die Ausgabe zu komprimieren.

Auf den ursprünglichen Tesseract-OCR-Dateien wird beispielsweise Folgendes pdfimages -list temp/page_001.pdf.tiff.pdferzeugt:

page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio -------------------------------------------------------------------------------------------- 1 0 image 1067 1508 rgb 3 8 jpeg no 11 0 129 130 318K 6.7% 

... was bedeutet, dass das Bildobjekt im PDF nicht exakt optimal gespeichert ist. Es ist immer noch in RGB, nicht in Schwarzweiß. Beim Komprimieren mit ImageMagick pdfimages -listergibt sich dagegen:

 pdfimages -list outfile-pdftk-imagemagick.pdf page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio -------------------------------------------------------------------------------------------- 1 0 image 1075 1520 gray 1 8 jpeg no 8 0 130 131 54.0K 3.4% 1 1 smask 1075 1520 gray 1 8 image no 8 0 130 131 25.1K 1.6% 2 2 image 1075 1520 gray 1 8 jpeg no 22 0 130 131 59.9K 3.8% 2 3 smask 1075 1520 gray 1 8 image no 22 0 130 131 25.1K 1.6% 3 4 image 1075 1520 gray 1 8 jpeg no 36 0 130 131 45.2K 2.8% 3 5 smask 1075 1520 gray 1 8 image no 36 0 130 131 25.1K 1.6% 4 6 image 1075 1520 gray 1 8 jpeg no 50 0 130 131 62.8K 3.9% 4 7 smask 1075 1520 gray 1 8 image no 50 0 130 131 25.1K 1.6% 5 8 image 1075 1520 gray 1 8 jpeg no 64 0 130 131 61.1K 3.8% 5 9 smask 1075 1520 gray 1 8 image no 64 0 130 131 25.1K 1.6% 6 10 image 1075 1520 gray 1 8 jpeg no 78 0 130 131 63.4K 4.0% 6 11 smask 1075 1520 gray 1 8 image no 78 0 130 131 25.1K 1.6% 7 12 image 1075 1520 gray 1 8 jpeg no 92 0 130 131 65.1K 4.1% 7 13 smask 1075 1520 gray 1 8 image no 92 0 130 131 25.1K 1.6% 8 14 image 1075 1520 gray 1 8 jpeg no 106 0 130 131 61.0K 3.8% 8 15 smask 1075 1520 gray 1 8 image no 106 0 130 131 25.1K 1.6% 9 16 image 1075 1520 gray 1 8 jpeg no 120 0 130 131 66.8K 4.2% 9 17 smask 1075 1520 gray 1 8 image no 120 0 130 131 25.1K 1.6% 10 18 image 1075 1520 gray 1 8 jpeg no 134 0 130 131 65.6K 4.1% 10 19 smask 1075 1520 gray 1 8 image no 134 0 130 131 25.1K 1.6% 

Wie wir sehen, benötigen die Bilder weniger Platz, jedoch wurde der in OCR eingebettete Text entfernt, und irgendwie ist die Datei weniger. Wenn ich dagegen die Originaldatei (ohne OCR-eingebetteten Text) nehme und sie mit Adobe Acrobats "Speichern unter"> "PDF verkleinern" komprimiere, erhalte ich Folgendes:

 pdfimages -list infile-adobe.pdf  page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio -------------------------------------------------------------------------------------------- 1 0 image 1000 1499 gray 1 8 jpx no 38 0 129 129 78.1K 5.3% 2 1 image 1000 1499 gray 1 8 jpx no 3 0 129 129 89.1K 6.1% 3 2 image 1000 1499 gray 1 8 jpx no 6 0 129 129 65.6K 4.5% 4 3 image 1000 1499 gray 1 8 jpx no 9 0 129 129 97.7K 6.7% 5 4 image 1000 1499 gray 1 8 jpx no 12 0 129 129 95.4K 6.5% 6 5 image 1000 1499 gray 1 8 jpx no 15 0 129 129 98.7K 6.7% 7 6 image 1000 1499 gray 1 8 jpx no 18 0 129 129 102K 6.9% 8 7 image 1000 1499 gray 1 8 jpx no 21 0 129 129 94.6K 6.5% 9 8 image 1000 1499 gray 1 8 jpx no 24 0 129 129 105K 7.2% 10 9 image 1000 1499 gray 1 8 jpx no 27 0 129 129 103K 7.1% 

Wie Sie sehen, scheint Adobe Acrobat Bilder mit JPEG2000 (JPX) zu komprimieren, was Ghostscript oder ImageMagick aufgrund von Patentproblemen nicht zur Verfügung steht.

Im Allgemeinen Vorschläge zur Komprimierung von Tesseract-OCR-PDF-Dateien?