OCR

概述

OCR（光学字符识别）是将扫描文档、文档照片、场景照片以及叠加在图像上的字幕等文本转换为机器编码文本的过程。

OCR 常用于以下文档的文字识别和提取：

• 不可编辑的扫描档 PDF 文件
• 文档照片
• 广告牌、标牌等场景照片
• 身份证、护照、车牌等牌照
• 发票、账单、收据等票据

以下是支持 OCR 的功能：

• PDF 转 Word
• PDF 转 Excel
• PDF 转 PPT
• PDF 转 HTML
• PDF 转 RTF
• PDF 转 TXT
• PDF 转 CSV
• PDF 转可搜索 PDF
• PDF 转 OFD
• 提取 PDF 为 Json
• 提取 PDF 为 Markdown

OCR 目前支持的语言包括：

Script / Notes	语言	语言 (英文名称)	语言（中文名称）
Latn; American	English	English	英文
Latn; Canadian	Français canadien	French	法文
Hans/Hant	中文简体	Chinese (Simplified)	简体中文
Hans/Hant	中文繁体	Chinese (Traditional)	繁体中文
Jpan	日本語	Japanese	日文
Kore	한국어	Korean	韩文
Latn	Deutsch	German	德文
Latn	Српски (латиница)	Serbian (latin)	塞尔维亚语（拉丁字母）
Latn	Occitan, lenga d'òc, provençal	Occitan	奥克西坦语
Latn	Dansk	Danish	丹麦文
Latn	Italiano	Italian	意大利文
Latn; European	Español	Spanish	西班牙文
Latn; European	Português (Portugal)	Portuguese	葡萄牙文
Latn	Te reo Māori	Maori	毛利文
Latn	Bahasa Melayu	Malay	马来文
Latn	Malti	Maltese	马耳他文
Latn	Nederlands	Dutch	荷兰文
Latn; Bokmål	Norsk	Norwegian	挪威文
Latn	Polski	Polish	波兰文
Latn	Română	Romanian	罗马尼亚文
Latn	Slovenčina	Slovak	斯洛伐克文
Latn	Slovenščina	Slovenian	斯洛文尼亚文
Latn	shqip	Albanian	阿尔巴尼亚文
Latn	Svenska	Swedish	瑞典文
Latn	Swahili	Swahili	斯瓦希里文
Latn	Wikang Tagalog	Tagalog	塔加洛文
Latn	Türkçe	Turkish	土耳其文
Latn	oʻzbekcha	Uzbek	乌兹别克文
Latn	Tiếng Việt	Vietnamese	越南文
Latn	Afrikaans	Afrikaans	南非荷兰文
Latn	Azərbaycan	Azerbaijani	阿塞拜疆文
Latn	Bosanski	Bosnian	波斯尼亚文
Latn	Čeština	Czech	捷克文
Latn	Cymraeg	Welsh	威尔士文
Latn	Eesti keel	Estonian	爱沙尼亚文
Latn	Gaeilge	Irish	爱尔兰文
Latn	Hrvatski	Croatian	克罗地亚文
Latn	Magyar	Hungarian	匈牙利文
Latn	Bahasa Indonesia	Indonesian	印度尼西亚文
Latn	Íslenska	Icelandic	冰岛文
Latn	Kurdî	Kurdish	库尔德文
Latn	Lietuvių	Lithuanian	立陶宛文
Latn	Latviešu	Latvian	拉脱维亚文

设置 OCR 语言

在当前主线版本中，OCR 语言建议通过 options.languages 传入具体的转档任务，而不是通过单独的全局接口进行设置。

LibraryManager.setDocumentAIModel("path/model");

WordOptions opt = new WordOptions();
opt.setEnableOcr(true);
opt.setOcrLanguages(Arrays.asList(
    OCRLanguage.ENGLISH
));
CPDFConversion.startPDFToWord("word.pdf", "password", "path/output.docx", opt);

OCR 选项

可以根据实际需要选择不同的 OCR 选项，以下是目前支持的 OCR 选项：

• INVALID_CHARACTER： 通过 OCR 识别 PDF 文档中的非法/乱码字符，正常字符不使用 OCR 识别。
• SCAN_PAGE： 通过 OCR 识别 PDF 文档中的扫描页面，可编辑页面不使用 OCR 识别。
• INVALID_CHARACTER_AND_SCAN_PAGE： 通过 OCR 同时识别 PDF 文档中的非法字符和扫描页面。
• ALL： 通过 OCR 识别 PDF 文档中的所有页面和字符。

保留页面背景

当开启 OCR 时可选择是否开启 containPageBackgroundImage 选项，当开启该选项时会将 PDF 原页面背景图保留，关闭时会保留版面分析检测到的图片结果。

注意事项

• OCR 结果的质量与输入图像质量有关。如果输入图像分辨率较低，OCR 结果质量也会受影响。理想情况下建议使用接近 300 DPI 的灰度图像。
• 进行 OCR 识别时需要留意设置 OCR 语言，确保选择的 OCR 语言与 PDF 文档中的语言保持一致，以获取最佳的 OCR 转换质量。
• OCR 功能目前仅支持 x64 架构。

将图片转换为其他文档格式

OCR 功能还支持将输入的图片转换为 Word、Excel、PPT、HTML、CSV、RTF、TXT、Json 等格式。以下示例展示了如何使用 ComPDF OCR 功能将图片文档转换为 docx 文档。

LibraryManager.setDocumentAIModel("path/model");

WordOptions opt = new WordOptions();
opt.setEnableOcr(true);
opt.setOcrLanguages(Arrays.asList(
    OCRLanguage.ENGLISH
));
// Supports jpg, jpeg, png, bmp, tiff formats.
CPDFConversion.startPDFToWord("input.png", "", "path/output.docx", opt);

示例

此示例演示了如何在扫描文档上使用 ComPDF Conversion SDK 的 OCR 功能，将 PDF 文档转换为 Word 文档。

LibraryManager.setDocumentAIModel("path/model");

WordOptions opt = new WordOptions();
opt.setEnableOcr(true);
opt.setOcrLanguages(Arrays.asList(
    OCRLanguage.ENGLISH
));
CPDFConversion.startPDFToWord("word.pdf", "password", "path/output.docx", opt);