pdf无障碍化，为纯图片pdf识别文字并隐式上字(方便搜索且不影响原图片)，pdf转pdf/A，转可编辑式pdf

这篇文章已过时，最新推荐： https://github.com/hiroi-sora/Umi-OCR
https://github.com/paperless-ngx/paperless-ngx/discussions/5128

---

需求：很多zlib下的电子书都是图片扫描版的，不是真正的、具有良好排版的原版电子书(如.mobi)，对于文科查询关键字很不方便。
弊端：数学公式无法识别

1.安装ocrmypdf及其依赖

https://github.com/ocrmypdf/OCRmyPDF
https://github.com/dahuoyzs/javapdf/blob/master/OCRmyPDF使用教程.md
安装choco：https://chocolatey.org/

choco install python3
choco install --pre tesseract
choco install ghostscript
 
pip install ocrmypdf
pip install img2pdf
pip install pdf2image

下载poppler，解压：https://blog.alivate.com.au/poppler-windows/
原官网需要自行编译：https://poppler.freedesktop.org/

tesseract OCR自带英文OCR，否则需额外下载OCR识别数据包(如中文)：https://github.com/tesseract-ocr/tessdata
之后.traineddata放入Tesseract-OCR\tessdata目录下。

2.ps中预处理图像

1)先pdf导出png

from pdf2image import convert_from_path
 
# 把pdf文件转换成图片列表，每一页是一个PIL Image对象
# 可以指定dpi参数来调整分辨率，越高越清晰，但是文件也越大
pages = convert_from_path("d:\\Downloads\\学术英语 (理工)_1.pdf",poppler_path = r"D:\\Program Files\\Python311\\Scripts\\poppler-0.68.0\\bin", dpi=300)
# 遍历图片列表，保存为jpg格式
# 可以用其他格式，比如png
for i, page in enumerate(pages):
    # 用页码作为文件名
    filename = f"page_{i+1}.png"
    # 保存图片
    page.save(filename, "PNG")

2)openCV2局部阈值

import cv2 as cv
import os
 
# 图片文件的路径
img_path = "D:/Documents/Code/Python/tmp/"
# 保存的PDF文件的路径
save_path = r"./tmp/tmp2/"
# 获取图片文件的路径列表
# img_files = [os.path.join(img_path, f) for f in os.listdir(img_path) if f.endswith(".jpg") and f.startswith("page_")]
img_files = [os.path.join(img_path, f) for f in os.listdir(img_path) if f.endswith(".png")]
print(img_files)
 
for i,v in enumerate(img_files):
    print(i,end=' ')
    image = cv.imread(v, cv.IMREAD_GRAYSCALE)
    guass = cv.adaptiveThreshold(image, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 55, 18)
    saveFN='page_'+str(i)+'.png'
    cv.imwrite(saveFN,guass)
 
# ret, dst = cv.threshold(image, 127, 255, cv.THRESH_BINARY)
# mean = cv.adaptiveThreshold(image, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 5, 3)
# cv.imshow("image", image)
# cv.imshow("threshold", dst)
# cv.imshow("mean", mean)
# cv.imshow("guass", guass)
 
# cv.waitKey()
# cv.destroyAllWindows()

已弃用 2)ps中用魔棒工具抠图(同时能先去噪点)，后 批量色调分离(黑白)滤镜

因为实测unpaper效果并不太好，望懂参数的大佬能留言帮助我（要手动处理1000页就不好了）
之后导出所有图层即可

3)jpg/png封装回pdf

注意：1~9要改为01~09

import img2pdf
import os
 
# 图片文件的路径
img_path = "D:/Documents/Code/Python"
# 保存的PDF文件的路径
save_pdf_file = "input.pdf"
# 获取图片文件的路径列表
# img_files = [os.path.join(img_path, f) for f in os.listdir(img_path) if f.endswith(".jpg") and f.startswith("page_")]
img_files = [os.path.join(img_path, f) for f in os.listdir(img_path) if f.endswith(".jpg")]
# 调用img2pdf.convert函数，把图片转换成PDF格式
pdf_bytes = img2pdf.convert(img_files)
# 打开一个PDF文件，把转换后的结果写入
with open(save_pdf_file, "wb") as f:
    f.write(pdf_bytes)

4)开始转换为pdf/A

如果是目标是英语，建议就不识别chi_sim了，保证全英文，不会出现英文字符识别成中文而无法搜索。

ocrmypdf -l eng+chi_sim --deskew --clean --rotate-pages --optimize 3 input.pdf output.pdf

3.安装Adobe Acrobat Reader DC，完全免费

打开后选择启用编辑，转换原格式pdf/A为可编辑格式

现在可以愉快地在此pdf上自由做笔记了！
此文原创，花了我一天的时间，转载请著名出处!!!

ps: 取消高dpi显示，界面太肥太大

4.中文复制有空格和换行

说是Tesseract打包pdf/A的问题，无解

安装AHKv1.1老版：https://www.autohotkey.com/
按鼠标侧键即可粘贴无空格与换行

XButton1::
Clipboard := RegExReplace(Clipboard, "\s|\n|\r")
SendInput ^v
return