如何防止 hocr2pdf 使用 tesseract 生成的 .hocr 文件中的大字体？

Question

Tesseract 现在为 ocr 输出创建 .hocr 文件而不是 .html 文件，但这并不是这里的问题所在。当 hocr2pdf 使用此输出时，它使用自升级以来的大文本大小和小边界框。大多数文本甚至不会出现在生成的 pdf 中，而出现的少量文本是不可读且无法选择的。

我正在使用一个脚本，该脚本遍历目录中的每个 .tif 文件并对每个文件执行 ocr。我使用如下 for 循环：

for page in "$dir"/*page*.tif
do
    base="${page%.tif}"
    tesseract "$page" "$base" -l eng hocr
    hocr2pdf -i "$page" -o "$base.pdf" < "$base.hocr"
done

我还尝试过通过切换到 hocr2pdf 来指定分辨率-r 400，但这并没有带来任何变化。我只能假设当前版本的 tesseract 没有为 hocr2pdf 生成适当的输出。

Tesseract 是我唯一的 ocr 选项，因为它可以很好地处理冰岛语和古挪威语，因此转移到其他 ocr 工具可能不太可能。

Answer 1

一种可能的解决方案是直接从 tesseract 请求 PDF 输出。这似乎比通过 hocr2pdf 提供更好的结果。

tesseract "$page" "$base" -l eng pdf

或者

tesseract "$page" "$base" -l eng -c tessedit_create_pdf=1