node.js+electron 撸个文字提取工具，支持扫描版 PDF

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2270 天前的主题，其中的信息可能已经有所发展或是发生改变。

背景

朋友工作总要找资料什么的，大多是 pdf 扫描版格式，无法复制，需要转成 word 或者文字，但由于其人穷，又不买那些 pdf 在线转换 word 的工具。得知后，帮助开发一个工具给她使用。

支持功能

image ocr node test/ocr.test.js （图片文字提取）
converting scanned PDF's to an image （扫描版 PDF 转为图片后文字提取，同下）
support pdf ocr node test/pdf.test.js （ PDF 文字提取）
support electron desktop packager （ Electron 打包为 Desktop App ）

Demo 截图

实现过程介绍

本项目基于百度 AIP 平台，OCR 接口

图片 OCR 提取文字

这个简单，直接走百度 OCR 即可得到结果。node.js 调用 SDK 而已

PDF

正常格式 PDF

这个通过pdfinfo 工具 + GraphicsMagick 来实现，pdfinfo 获取 pdf 文件信息（分页信息等），GraphicsMagick 将 pdf 作为图片（处理图片很强大）。

扫描版 PDF

这个麻烦是在 pdfinfo 工具是无法获取 pdf 文件信息的，需要代码做兼容情况处理。扫描版 PDF 最终还是转换图片后再 OCR 提取文字。

源码

详细使用方式阅读README.md

https://github.com/giscafer/easyocr

欢迎━(｀∀´)ノ亻!学习交流

第 1 条附言 · 2018-09-07 09:51:43 +08:00

欢迎 PR 一起开发强大的 OCR 工具

10 条回复 • 2018-10-23 11:01:33 +08:00

lucky2javascript

2018-09-07 01:22:44 +08:00

能说下原理吗？草体字能识别不

sean10

2018-09-07 01:34:03 +08:00 via Android

@leeseeanchiu 原理作者也说了，调的百度 OCR 的 SDK，百度有支持草体识别的话，就能识别

scmod

2018-09-07 08:25:22 +08:00

楼主是直接购买了那个识别服务吗?我记得免费有个试用上限来着.

giscafer

2018-09-07 09:46:52 +08:00

@scmod 我用的是免费版，![]( https://dn-cnode.qbox.me/FnRDAwPKBvXErCi0h0tk_Qid-01e)

giscafer

2018-09-07 09:48:13 +08:00

@leeseeanchiu 难度在 PDF，图片那里没啥，直接走接口的。真正想知道原理的话，应该去搜 OCR 技术原理。

后期本人会出类似的开发教程。可以关注一下。

jimmy2010

2018-09-07 11:09:16 +08:00

感谢，恰好能用到。

giscafer

2018-09-07 11:39:21 +08:00

@jimmy2010 欢迎━(*｀∀´*)ノ亻! 使用，使用过程有问题可以提 PR 或者提改善建议。

nicolasleohu

2018-10-08 15:04:30 +08:00

赞啊～准确率能达到多少？

giscafer

2018-10-22 17:50:25 +08:00

@nicolasleohu 准确率依赖百度 OCR 接口，我用的是基础免费版的，高精准的每天次数不多。
没有公式和代码等图片的识别准确率达到 99%以上。

nicolasleohu

2018-10-23 11:01:33 +08:00

@giscafer 噢噢，了解了