PDF OCR Searching

介绍

某些 PDF 扫描版书记无法使用基于文字的搜索

使用

安装依赖

pip3 install pillow pytesseract PyMuPDF
sudo apt-get install tesseract-ocr

或按照 ref 说明安装 tesseract-ocr 的 windows 版本

还需要通过 tessdata-fast 或 tessdata 下载中文识别模型

可通过 tesseract 官网 查找中文模型名称

目前, 只能在 pdf-ocrsearch.py 中标明 要查找的 PDF 文件绝对路径, 和要查找的关键词

SEARCHING_TARGET = "软件"
PDF_file = Path(r"test.pdf")

效果

在使用多线程优化之后, 可以达到 平均 2s 检测一页. 是不使用优化的一半.

OCR 搜索时长是最大的瓶颈, 只可能使用搜索中间结果缓存, 不过如此意义不大

后续

• 提升搜索速度, 目标达到每秒搜索 100 页
• 命令行给出搜索结果附近的语境
• 支持中英文混合文本, 比如 CS 专业书籍