部分解决 | ocrmypdf对中文pdf进行ocr识别后存在多余空格
1、问题
ocrmypdf安装采用的是在windows安装方法具体看
https://media.readthedocs.org/pdf/ocrmypdf/latest/ocrmypdf.pdf
由于ocrmypdf对中文pdf识别后存在空格，根据以下链接知道
https://github.com/tesseract-ocr/tesseract/issues/781
https://github.com/ocrmypdf/OCRmyPDF/issues/715
https://github.com/tesseract-ocr/tesseract/issues/991
preserve_interword_spaces=1
正如这个链接所问的，https://github.com/ocrmypdf/OCRmyPDF/issues/715#issuecomment-849422552，那么如何在ocrmypdf中设置呢？
2、解决过程
首先尝试的试试按照使用--tesseract-config方法（下面pdf9.2.5章节）：
https://media.readthedocs.org/pdf/ocrmypdf/latest/ocrmypdf.pdf
命令：
ocrmypdf -l chi_sim --tesseract-oem 1 --tesseract-pagesegmode 6 --tesseract-config C:\Users\Administrator\Desktop\my.cfg C:\Users\Administrator\Desktop\11.pdf 121.pdf
或者（二者均可）
ocrmypdf -l chi_sim --tesseract-config C:\Users\Administrator\Desktop\my.cfg C:\Users\Administrator\Desktop\11.pdf 121.pdf
其中my.cfg是一个本地文件：里面内容是
preserve_interword_spaces 1
经测试：上面的121.pdf还是无法实现pdf复制为不带空格的文字,但是导出txt可以实现不带空格。
这个评论是错的。https://github.com/ocrmypdf/OCRmyPDF/issues/885#issuecomment-1033367021 这个网友说了当你选择OEM选择LSTM模型（如下面说明，oem选择1或者2）时候，--tesseract-config不会生效，事实上会生效的。（被这个误导了很久）
下面资料来源于：https://muthu.co/all-tesseract-ocr-options/
也可以参考这里：https://zhuanlan.zhihu.com/p/64470012
OCR options: --tessdata-dir PATH Specify the location of tessdata path. --user-words PATH Specify the location of user words file. --user-patterns PATH Specify the location of user patterns file. -l LANG[+LANG] Specify language(s) used for OCR. -c VAR=VALUE Set value for config variables. Multiple -c arguments are allowed. --psm NUM Specify page segmentation mode. --oem NUM Specify OCR Engine mode. NOTE: These options must occur before any configfile. Page segmentation modes: 0 Orientation and script detection (OSD) only. 1 Automatic page segmentation with OSD. 2 Automatic page segmentation, but no OSD, or OCR. 3 Fully automatic page segmentation, but no OSD. (Default) 4 Assume a single column of text of variable sizes. 5 Assume a single uniform block of vertically aligned text. 6 Assume a single uniform block of text. 7 Treat the image as a single text line. 8 Treat the image as a single word. 9 Treat the image as a single word in a circle. 10 Treat the image as a single character. 11 Sparse text. Find as much text as possible in no particular order. 12 Sparse text with OSD. 13 Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific. OCR Engine modes: (see https://github.com/tesseract-ocr/tesseract/wiki#linux) 0 Legacy engine only. 1 Neural nets LSTM engine only. 2 Legacy + LSTM engines. 3 Default, based on what is available.
另外，我还测试了导出txt的结果，当你使用--tesseract-config C:\Users\Administrator\Desktop\my.cfg 之后可以保证导出的txt是不带空格的，pdf还是复制空格
再次使用命令：（其中--sidecar 121.txt表示输出txt）
ocrmypdf --force-ocr --tesseract-config C:\Users\Administrator\Desktop\my.cfg -l chi_sim --sidecar 121.txt C:\Users\Administrator\Desktop\11.pdf 121.pdf
效果：输出121.txt没有空格，121.pdf复制还有空格。
经过测试：跟这个里面https://github.com/ocrmypdf/OCRmyPDF/issues/715说的一样（但是他是ocrmypdf的老版本）即输出txt才会出现没有空格，pdf还是复制有空格。
Ocrmypdf的作者@jbarlow83一直说的是阅读器问题，但是事实上不是阅读器问题。
也就是说我们只是部分解决（曲线救国）了pdf出现文本图层含有多余空格的问题。
目前我测试了其他的大量方法均无效。作者也从未给出有效解决方案，目前日韩网友（https://github.com/tesseract-ocr/tesseract/issues/1009）也存在这个问题。
=============================================================================================
以上总结：
（1）使用--tesseract-config设置可以实现：导出txt不带空格，但是pdf复制带空格。
（2）不使用--tesseract-config设置效果：导出txt带空格，pdf复制也是带空格。
=============================================================================================
3、最终思路
使用config设置，输出txt以复制文字。如果有大神可以继续给我提示，谢谢！
最佳思路：
ocrmypdf --force-ocr --tesseract-config C:\Users\Administrator\Desktop\my.cfg -l chi_sim --sidecar out.txt C:\Users\Administrator\Desktop\input.pdf output.pdf
4、彩蛋：测试数据与做好的my.cfg
测试数据：https://www.123pan.com/s/9Rn9-LhQpH.html 提取码:newt
做好的my.cfg： https://www.123pan.com/s/9Rn9-qhQpH.html
5、致谢
上面链接分享者。还有这个：https://github.com/dahuoyzs/javapdf/blob/master/OCRmyPDF%E4%BD%BF%E7%94%A8%E6%95%99%E7%A8%8B.md
6、后续
作者给我的最新回答是，"请理解这个问题是由于Tesseract产生的PDF，一些PDF阅读器不能正确解释，目前没有人有解决办法。"
我测试了tesseract v5.3.1.20230401出现的情况:
tesseract input.png out -l chi_sim --oem 1 --psm 6 -c preserve_interword_spaces=1 pdf
我得到了与ocrmypdf相同的结果:输出txt没有空格，但从pdf复制的文本仍然有空格。
因此，这个问题发生在Tesseract而不是ocrmypdf。这个结论需要让更多的用户知道。
7、最终篇
目前看来，要想ocrmypdf使得输出pdf不出现复制文字的空格，唯一且不算特别好的解决方案就是使用oem 0（采取非LSTM模型，但是识别效果不好）
ocrmypdf -l chi_sim --tesseract-oem 0 input.pdf output.pdf
这种方法直接复制pdf的文字，不会出现空格，但是复制的文字有的识别不正确。
