跟进如何 OCR pdf 文件并获取 pdf 中存储的文本？我已经成功制作了OCRed pdf页面。
然而，在 Evince 中，这些字母没有显示出来。我的意思是我看不到这些字符，但我可以选择它们，复制它们并成功地将它们粘贴到其他地方。这似乎不是 Evince 的错误：https://bugzilla.redhat.com/show_bug.cgi?id=1364201
当使用 pdfsandwich 启动 pdf 页面的 OCR 时，tesseract 会生成一个页面
包含一种没有任何可用字形的字体（他们将其命名为 GlyphLessFont）。它只有 .notdef 和 .null 替换（正方形）。如果该字符没有字形，Evince 将使用 .notdef 字形。 Okular 突出显示文本的原因是它在图像中突出显示文本，而不是像 evince 那样作为常规文本。
pdftotext 识别字符。
现在的问题是：可以告诉 tesseract 使用不同的字体吗？
答案1
您可以根据自己的喜好自定义这部分源代码并在此处更改字体。进行更改后，您将必须从源代码重建 tesseract。