如何将外部OCR嵌入现有的PDF文件？

Question

我有一组图像，我在上面运行OCR应用程序。这个过程会生成一个带有字符偏移量的XML文件。然后我使用Acrobat 9将图像转换为PDF。现在，我想将XML文件信息作为不可见文本层添加到PDF中，以实现可搜索的PDF。有没有简单而免费的方法？

一些细节：

- 我不想使用Acrobat的OCR功能； - OCR过程会生成一个XML文件，其中包含如下元素： ``` ```

更新：也许可以通过不同的方式来实现我的目标。假设已经从一组图像生成了PDF文件，并且已经包含了OCR文本。是否可能（也许是通过编程）仅访问每个页面的图像，处理它（例如将其转换为单色），并将其保存回PDF文件？如果是，则OCR文本不会丢失。

[我应该将此更新放入单独的问题中吗？]

- kepler

---

你可能会发现hocr2pdf很有用。 - Tobias Kienzler

Answer 1

关于您的后续问题，如何在不丢失隐藏层的情况下处理PDF文件：我相信Ghostscript可以做到这一点。例如，以下命令应将PDF转换为灰度：

gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -dColorConversionStrategy=/Gray -dProcessColorModel=/DeviceGray -sOutputFile=output.pdf input.pdf

- Jukka Matilainen

---

不错，它起作用了。但输出结果并不像我想要的那么干净。如果ImageMagick可以在不丢失文本层的情况下转换PDF，我想使用类似以下的方式处理每一页： convert \( -white-threshold 50% \) -monochrome ... 也许有一种方法告诉IM如何使用GS，就像DaveParillo所说的那样。我稍后会检查这个问题。 - kepler

Answer 2

如果您只想将现有的PDF转换为灰度，请尝试Imagemagick：

convert foo.pdf -colorspace Gray -compress zip gray.pdf

我认为这不会改变您的pdf中的任何其他属性。

- DaveParillo

---

这似乎无法保留PDF中的隐藏文本层。（尝试过ImageMagick 6.4.5。） - Jukka Matilainen

我也尝试过，并且失去了文本层。我也使用了ImageMagick 6.4.5。 - kepler