如何使 djvu 文件可搜索

如何使 djvu 文件可搜索

如果我djvutiff文件中创建一个新文件,我可以使用djvubind它使该djvu文件可以使用例如tesseract-ocr.

但是假设我已经给出了djvu文件。我怎样才能使其可搜索?

对于 pdf,我知道pdfsandwichdjvu 有类似的东西吗?

答案1

“简单”的方法是将 .djvu 文件转换回多个.tiff文件(而不是多页 TIFF),然后将它们与 .djvu 文件重新组合djvubind。然而,这会在一定程度上降低文件的图像质量,.djvu因为这是一种有损转换(几乎可以肯定,当您使用.

所以你最好在原文中插入 OCR 文本.djvu,这就是 这个脚本做。该脚本依赖于一些二进制文件,您可以在djvulibre-bin包中找到这些二进制文件,以防您尚未安装它们。

这是脚本:

#!/usr/bin/perl

$lang = "eng";

if ( $#ARGV < 0 ) {
  print "give a DJVU file as 1st argument \n" ;
  exit 0 ;
}

$inputdjvu = $ARGV[0] ;
$imagetmp = "/tmp/temp.tif" ;
$djvutmp = "/tmp/outdjvu" ;

print "processing of $inputdjvu\n" ;

# calculate the number of pages
$nbpages = `djvused "$inputdjvu" -e 'n'` ;
print "number of pages: $nbpages" ;

for ($i=1 ; $i <= $nbpages ; $i++) {
  print "OCR de la page $i\n" ;

  # page extraction as an image
  `ddjvu -format=tiff -mode=black -page="$i" "$inputdjvu" $imagetmp` ;

  `tesseract $imagetmp /tmp/outocr -l $lang` ;
  print "OCR done\n" ;

  open(TXT, '/tmp/outocr.txt') ;
  open(TXTDJVU, ">$djvutmp") ;

  print TXTDJVU "(page 0 0 1 1\n" ;
  while ($line=<TXT>) {
    $line =~ s/\"/\\\"/g ;
    print TXTDJVU "(line 0 0 1 1 \"$line\")\n" ;
  }
  print TXTDJVU ")\n" ;

  close (TXT) ;
  close (TXTDJVU) ;

  # writing the text in the DJVU file
  `djvused "$inputdjvu" -e 'select $i; remove-txt' -s` ;
  `djvused "$inputdjvu" -e 'select $i; set-txt $djvutmp' -s` ;
}

# note: structure which works
# print TXTDJVU "(page 0 0 1 1\n" ;
#   print TXTDJVU "     (line 0 0 1 1 \"toto\")\n" ;
#   print TXTDJVU "     (line 0 0 1 1 \"toto la la\")\n";
#   print TXTDJVU ")\n" ;

相关内容