我正在尝试将 OCR 添加到 PDF 中，并使用pdfsandwich这样做。问题是 pdfsandwich 在执行 OCR 时会处理图像，从而改变文档的外观。
有什么方法可以确保 PDF 图像保持完全不变？如果 pdfsandwich 无法做到这一点，那么使用其他应用程序来实现这一点也是可以接受的。
之前的示例：
示例之后：
通过 pdfsandwich 运行 pdf 后，您可以轻松看到质量的下降。
我查看了 pdfsandwich 文档，没有找到有关保持图像不变的任何内容。
答案1
我联系了 pdfsandwich 的创建者 Tobial Elze，询问我的问题。他们的回复如下：
我完全明白你的意思，也同意这是一个有用的功能。目前无法充分保留原始图像，因为 pdfsandwich 调用 Tesseract 来创建最终的 pdf，它内部执行一些超出 pdfsandwich 范围和控制范围的处理。
默认情况下，pdfsandwich 将输入图像转换为黑白，如您在自己的示例中所见。您可以通过选项 -rgb 强制其使用颜色（对于彩色图像）或像您的情况一样通过选项 -gray 强制其使用灰度，从而更接近原始图像。您可能希望在您的示例中尝试后者，看看它是否有所改善。
除此之外，如果您发现 pdfsandwich 在 OCR 之前的“改进”功能并没有改善图像，反而使其变得更糟，您可以通过选项 -nopreproc 关闭所有预处理。
我希望这能有所帮助？
因为我的 PDF 已经是灰度的，所以只需添加标志-gray似乎就可以保留原始质量。-rgb是彩色图像的等效标志。
答案2
我也有过同样的愿望，因为 pdfsandwich 严重压缩了微小的 PDF 图像，导致 PDF 文件大小膨胀。下面是我处理单页 PDF 的复杂方法已经清理过，方便进行 OCR 处理：
- 备份原始 PDF。如果你弄乱了，你还有备份。
- 跑步
pdfimages -list original.pdf - 使用计算器将图像的宽度和高度相乘。假设图像为 192 × 643。将其相乘，我们得到 123456。我们将在下一步中使用它。
- 跑步
pdfsandwich -nopreproc -maxpixels 123456 original.pdf
现在我们有了包含要替换图片的 OCR PDF。这部分有点棘手。
- 跑步
pdfimages -list original.pdf - 记下原始 PDF 中的对象编号。假设是 123。下面我们将使用它。
- 跑步
pdfimages -list original_ocr.pdf - 记下 OCRed PDF 中的对象编号。假设是 456。我们在下面使用它。
- 在可以正确处理复制和粘贴二进制数据的文本编辑器中打开原始 PDF 和 OCR 后的 PDF。
123 0 obj在原始 PDF 中找到此行。复制下面的那条线以及所有后续行，直到下一endobj行。456 0 obj在 OCR 的 PDF 中找到该行。删除下面的那条线以及所有后续行，直到下一行endobj。通过粘贴从原始 PDF 中复制的内容来替换您删除的行。- 将 OCRed PDF 保存为新文件名。
- 在 PDF 查看程序中打开上一步中的新文件名，检查您是否可以看到该页面，以及 OCR 文本是否存在，ETC。
- 关闭文本编辑器而不保存。