我有一个由许多扫描页面组成的 PDF。下面显示了文本的示例片段（不必担心隐私问题，因为这是一份公开文档）。如您所见，它很难阅读。
我想运行一个程序来读取这个 PDF，确定文本，并输出一个包含文本的文件（文本文件、markdown、无后缀的 Linux 文件，甚至是另一个经过清理的 PDF，任何文件都可以），这样我自己和其他人都可以更轻松地阅读。除了适当间隔句子之类的事情之外，我不太关心格式。
我试过 pdftotext，但它输出的文件（在文本编辑器中）看起来只是一遍又一遍的“^L^L^L”。我也试过 ocrmypdf，但也没有成功（虽然我不确定我是否用对了）。问题包括图像相对“脏”，文本包含各种印刷错误、多余的空格和拼写错误的单词。您建议使用哪些其他选项（可在 Linux 上使用）来从此文档中提取文本？
答案1
输出免费OCR，使用较旧的Tesseract OCR 引擎 v. 5.1，如下所示。这是不是通过调整图像参数（例如对比度）进行优化，通过选择特定的字体（可能使用固定宽度），通过选择其中一个训练词汇文件（或通过创建一个包含特定于主题的单词（例如“Aronburg”）的新词汇文件），并且毫无疑问，随着这些变化，它会得到改进。
如果这是仅有的如果要处理的项目太多，则不值得付出努力来改进处理，但如果您有更多图像，则可以调整 OCR 设置以获得更好的结果。
埃厄
'几乎被摧毁，安哥拉自然
介绍？
a 这段对伟大战争及其结果的描述，或许是有史以来作者所写的最伟大的战争题材的作品，而且没有这么夸张的名字。战争持续了大约七年，而本书的作者花了十一年多的时间来写出这些冗长而生动的细节，为了赢得胜利，他日复一日地战斗。
虽然基督在这场漫长而血腥的战争中，尽管基督因为一个奇怪的阿伦堡之谜而遭受失败”|
任何人都无法解决这个问题，甚至我自己也无法解决，当他们在可怕的阿伦堡战役中扭转局势，战胜敌人时，他们终于取得了胜利。符文：。
虽然阿隆伯格的阴谋和阿隆伯格的孩子被谋杀一样严重，但对我的
在整个格兰德-安哥拉战争期间，三个基督教国家的联盟一直处于分裂状态，人们预测，解决阿伦堡阴谋或对她的“刺客”进行报复是唯一的希望——为了防止基督教国家赢得胜利，阿比安尼亚设法击溃了格兰德-安哥拉自己，之后，克拉维里尼亚被毁了，并且“
Gon 将会在 hor anaiose 中被消灭
答案2
这是针对单人的，可能至少需要四年零七个月，或者运气好的话只需要十一年。最好的解决方案是看看是否有可能让众人代写这部“经典作品”（或者求助于 Google 慈善分会），但你需要制定基本规则，比如拼写错误是否应该保留？
只有早期的页面是打字的，很多后面的页面都是单色的，因此需要再次以灰度扫描才有机会进行 OCR 或人工转录。
