我尝试利用计算机视觉API来对扫描为图像PDF的PDF文件进行OCR。
测试结果告诉我该PDF为“InvalidImageFormat”，“输入数据不是有效的图像”。当我使用PNG文件测试时，它运行得很完美。
是否有办法可以使用API处理PDF图像，或者有没有Azure API可以用于将PDF转换为PNG再转换为文本？
6个回答
8
编辑
自从其他附加服务变得可用后，尽管我个人没有尝试过其中的一些，但它们可能适合此目的。
https://learn.microsoft.com/en-us/azure/search/cognitive-search-concept-intro
在未来某个时刻，当它正式发布时，可以考虑使用以下服务：https://aws.amazon.com/textract/
原回答
不幸的是，Azure的计算机视觉API没有PDF集成。要使用Azure计算机视觉，您需要自己将PDF更改为图像（JPG、PNG、BMP、GIF）。
Google现在提供了PDF集成，从我的测试中，我已经看到了一些非常好的结果。
这是通过vision Client的asyncBatchAnnotateFiles方法完成的（我一直在使用API的NodeJS变体）。
它可以处理多达2000页的文件，结果分为20页段并输出到Google Cloud Storage。
- Kevin Duffy
1
8
最近由微软Azure提供的最新OCR服务叫做Recognize Text，它比以前的OCR引擎表现更出色。现在可以将Recognize Text与Read一起使用，后者可以读取并数字化长达200页的PDF文档。
- TrnKh
2
太棒了！多页TIFF文件（即传真）也可以。 - jtlz2
4
有一个名为Azure Form Recognizer的新认知服务API（目前在预览版 - 2019年11月）可用，应该可以完成工作：
https://azure.microsoft.com/zh-cn/services/cognitive-services/form-recognizer/
它可以处理您需要的文件格式:
格式必须为JPG、PNG或PDF(文本或扫描)。 文本嵌入式PDF最佳，因为没有字符提取和定位方面的错误可能性。
https://learn.microsoft.com/zh-cn/azure/cognitive-services/form-recognizer/overview
这是官方Form Recognizer API文档链接:
注意:
- Form Recognizer目前仅支持英语，但其他语言的可用性正在增加 (2019年12月4日)
- Form Recognizer在以下Azure区域中可用 (2019年12月4日): Canada Central、North Europe、West Europe、UK South、Central US、East US、East US 2、South Central US、West US https://azure.microsoft.com/zh-cn/global-infrastructure/services/?products=cognitive-services
- lux7
1
PDF的一些限制：页面数量应少于50页，没有单选按钮或复选框，并且不支持复杂表格。 - AmbiBala
2
抱歉，您需要将PDF页面转换为图像（JPG和PNG格式），然后发送到计算机视觉系统中。最好将其分解，这样您就不必对所有页面进行OCR识别，只需对重要页面进行即可。
- El Barako
1
现在有一个新的Read API可以处理PDF文件。 https://learn.microsoft.com/en-us/azure/cognitive-services/computer-vision/concept-recognizing-text
Computer Vision’s Read API is Microsoft’s latest OCR technology that extracts
printed text (seven languages), handwritten text (English only), digits, and
currency symbols from images and multi-page PDF documents.
它的功能足够好，但目前支持的语言不是很多。
- Viach
0
你可以使用 fitz 将 PDF 转换为每页图像。
# import packages
import fitz
import numpy as np
import cv2
#set path to pdf
path2doc = <path to pdf>
#open pdf with fitz
doc = fitz.open(path2doc)
# determine number of pages
pagecount = doc.pageCount
# loop over all pages and convert to image (here jpeg)
for i in range(pagecount):
page = doc[i]
pix = page.getPixmap().getImageData(output='JPEG')
jpg_as_np = np.frombuffer(pix, dtype=np.uint8)
image = cv2.imdecode(jpg_as_np, flags=1)
完成这个步骤后，你就可以将它们发送到API了。
- BDeforce
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
对于PDF和TIFF文件，最多处理2000页（免费版仅处理前两页）。https://learn.microsoft.com/en-us/azure/cognitive-services/computer-vision/overview-ocr - JinSnow