OCR

概述

OCR（光学字符识别）是将打字、手写或印刷文本的图像转换为机器编码文本的过程。

OCR 通常用于从以下类型的文档中识别和提取文本：

不可编辑的扫描 PDF 文件。
文档照片。
场景照片，如广告版面、招牌等。
身份证、护照、车牌和其他官方牌照。
发票、账单、收据和其他财务文档。

以下功能支持 OCR：

PDF 转 Word
PDF 转 Excel
PDF 转 PowerPoint (PPT)
PDF 转 HTML
PDF 转富文本格式 (RTF)
PDF 转文本 (TXT)
PDF 转 CSV
PDF 转可搜索 PDF
PDF 转 OFD
提取 PDF 为 JSON
提取 PDF 为 Markdown

OCR 语言支持

OcrLanguage 常量：

常量	含义
`OcrLanguage::AUTO`	自动检测语言。
`OcrLanguage::ENGLISH`	英语（拉丁）。
`OcrLanguage::CHINESE`	中文（简体）。
`OcrLanguage::CHINESE_TRA`	中文（繁体）。
`OcrLanguage::JAPANESE`	日语。
`OcrLanguage::KOREAN`	韩语。
`OcrLanguage::LATIN`	拉丁文字语言（德语、法语、西班牙语、葡萄牙语、意大利语、荷兰语、丹麦语、瑞典语等）。
`OcrLanguage::DEVANAGARI`	天城文文字语言。
`OcrLanguage::CYRILLIC`	西里尔文字语言。
`OcrLanguage::ARABIC`	阿拉伯语。
`OcrLanguage::TAMIL`	泰米尔语。
`OcrLanguage::TELUGU`	泰卢固语。
`OcrLanguage::KANNADA`	卡纳达语。
`OcrLanguage::THAI`	泰语。
`OcrLanguage::GREEK`	希腊语。
`OcrLanguage::ESLAV`	东斯拉夫/扩展斯拉夫。

设置 OCR 语言

在当前主线 PHP SDK 中，OCR 语言通过 ConvertOption::$languages 为每个转换任务传入，而不是通过单独的全局接口。

php

use ComPDFKit\Conversion\OcrLanguage;

$option = new ConvertOption();
$option->enableOcr = true;
$option->languages = [OcrLanguage::ENGLISH];

Conversion::convert('Word', 'word.pdf', 'password', 'output.docx', $option);

OCR 选项

可根据实际需要选择不同的 OCR 选项。以下是当前支持的 OCR 选项。

OcrOption::INVALID_CHARACTER：通过 OCR 识别 PDF 文档中的非法/乱码字符，正常字符不进行 OCR 处理。
OcrOption::SCAN_PAGE：通过 OCR 识别 PDF 文档中的扫描页面，可编辑页面不进行 OCR 处理。
OcrOption::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。
OcrOption::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。如果开启该选项，将保留 PDF 的原始页面背景图。如果关闭该选项，将保留版面分析期间检测到的图片结果。

注意事项

OCR 结果的质量取决于输入图像的质量。如果输入图像分辨率较低，OCR 结果质量会受影响。一个经验法则是：字符形状中的像素越多越好。如果字符边界框小于 20x20 像素，OCR 质量会呈指数级下降。理想图像是分辨率约为 300 DPI 的灰度图像。
进行 OCR 时，请确保 OCR 语言设置与 PDF 文档中的语言一致，以获得最佳的 OCR 转换质量。
OCR 功能目前不支持低于 Windows 10 的操作系统。

将图片转换为其他文档格式

OCR 功能还支持将输入图片转换为 Word、Excel、PPT、HTML、CSV、RTF、TXT、JSON 等格式。本示例演示如何使用 ComPDF OCR 功能将图片文件转换为 DOCX 文件。

php

$option = new ConvertOption();
// 开启 OCR 选项。
$option->enableOcr = true;
// 为该任务设置 OCR 语言。
$option->languages = [OcrLanguage::ENGLISH];
// 支持 jpg、jpeg、png、bmp、tiff 和 webp 格式。
Conversion::convert('Word', 'input.png', '', 'output.docx', $option);

示例

本示例演示如何使用 ComPDF OCR 功能将 PDF 转换为 DOCX 文件。

php

$option = new ConvertOption();
$option->enableOcr = true;
$option->languages = [OcrLanguage::ENGLISH];

Conversion::convert('Word', 'word.pdf', 'password', 'output.docx', $option);

OCR ​

概述 ​

OCR 语言支持 ​

设置 OCR 语言 ​

OCR 选项 ​

保留页面背景 ​

注意事项 ​

将图片转换为其他文档格式 ​

示例 ​

OCR