让你的扫描版 PDF 能够被搜索,顺便求职深圳 Python 后台开发岗
aec4d · ficapy · 2018-04-02 09:02:20 +08:00 · 4338 次点击这是一个创建于 2429 天前的主题，其中的信息可能已经有所发展或是发生改变。
后台实现详情见 https://www.ficapy.com/2018/04/01/pdfaddtext_architecture/
因为个人有几本扫描版的 PDF 书籍，无法进行文本内容搜索。同时逛 V2 的时候也发现有人有同样的问题，比如https://www.v2ex.com/t/420491，https://www.v2ex.com/t/408071。于是用 Python 写了一个小工具，原理就是调用 OCR 接口得到图片识别结果。将结果作为隐藏文字层放置到对应文字的上方，这样 PDF 阅读器就可以搜索到相应的文本了
最开始只是写了一个 Python 脚本。后来写成了一个 web 服务，使用 C++编译成 wasm 让 PDF 修改操作在浏览器端执行避免了文件的下载。虽然同时使用了多家 OCR 的服务，但是处理任务数量依然有限。只能限制每个 PDF 文件不超过 20 页，提供 Python 小脚本，可以自己注册百度的免费服务本地执行转换
后端代码暂时没有开源出来，过段时间会~~~
最后求个深圳 Python 开发岗，3 年工作经验，熟悉 Python 了解 Golang。意向为后台开发或者运维平台开发，求大佬推荐
联系地址(base64)
微信: RmljYXB5
邮箱: YWZleGNnQGdtYWlsLmNvbQ==
第 1 条附言 · 2018-04-02 12:41:42 +08:00
机器学习这么火热，顺便问问有没有靠谱的可开发的 OCR 引擎可以折腾。想加上本地 OCR，虽然质量会差一些。但是不必受制于第三方服务，这样就能解开 20 页的限制了
 |
1
lyping 2018-04-02 10:28:56 +08:00
喜欢这个工具
|
 |
2
zzzzzdai 2018-04-02 12:35:14 +08:00
先赞
|
 |
3
MemoryCorner 2018-04-02 12:36:05 +08:00
这个还蛮使实用的
|
 |
4
Arnie97 2018-04-02 12:46:09 +08:00 via Android
支持，居然适配了这么多不同的接口
|
 |
5
congeec 2018-04-02 13:06:47 +08:00 via iPhone
前段时间 GitHub 有个类似弄笔记的项目挺火
Acrobat 能实现，不过收费 |
 |
6
aec4d OP |
 |
7
standin000 2018-04-02 14:11:56 +08:00
支持楼主下。
|
 |
8
wxl1380610 2018-04-02 16:30:12 +08:00
这个挺有用的 。
|
 |
9
devlnt 2018-04-02 18:36:34 +08:00
本地 ocr 的话，不考虑中文，用 tesseract 试试看。楼上也有提到 acrobat，识别率和位置啥的都是超棒的，只是 com 接口貌似不能调用识别的插件，楼主可以尝试着研究下
|
 |
10
bikkgry 2018-04-02 19:56:09 +08:00
这方面最强的是 ABBYY FineReader14 了吧。不过售价感人。http://www.abbyy.cn/finereader/
|
 |
11
xiaofengchen 2018-04-02 20:25:20 +08:00 via Android
赞
|
|
12
aec4d OP @devlnt @bikkgry 需要考虑中文，本地我找过付费的，价格都很感人
开源的看过 https://github.com/JinpengLI/deep_ocr，感觉识别准确率也不怎么样(还没有深入了解能不能基于这个在上面改) |
Select Language