我有一個由許多掃描頁面組成的 PDF。下面顯示了文字的範例片段（不必擔心隱私，因為這是公開可用的文件）。正如你所看到的，它很難閱讀。
我想運行一個程序，可以讀取這個PDF，確定文本，並輸出一個包含文本的文件（文本文件，markdown，無後綴的Linux文件，甚至另一個清理過的PDF，任何都可以），這樣對於我自己和其他人來說，閱讀起來更容易。除了適當的句子間距等之外，我不太在乎格式。
我嘗試過 pdftotext，但它輸出的文件（在文字編輯器中）似乎只是一遍又一遍地“^L^L^L”。我也嘗試了 ocrmypdf，但也沒有成功（儘管我不確定我是否正確使用了它）。併發症包括圖像相對「髒」、文字包含各種印刷錯誤、多餘空格和拼字錯誤的單字。您建議使用哪些其他選項（在 Linux 上可用）來從此文件中提取文字？
答案1
輸出來自免費OCR，使用舊的Tesseract OCR 引擎 v. 5.1， 在下面。這是不是透過調整圖像參數（例如對比度）進行最佳化，也不是透過選擇特定字體（可能使用固定寬度），也不是透過選擇訓練詞彙檔案之一（或透過使用諸如「Aronburg」之類的特定單字來建立一個新文件）來優化到主題），毫無疑問，這些變化會得到改善。
如果這是僅有的要處理的項目，不值得花精力改進處理，但如果您有更多影像，您可以調整 OCR 設定以獲得更好的結果。
盧盧盧盧庫
' 幾乎被摧毀，安哥拉國家
介紹？
a 偉大先生的這篇描述以及所有結果，也許是作者有史以來寫的最嚴厲的，在任何法博盧斯戰爭的路線上，都可能被命名為這樣的 nae nama，“戰爭”。這個故事在 DN 上持續了 7 年，而這本書的作者已經花了 11 年多的時間來寫作。出長而圖形的細節，並從一天到今天，為了勝利而奮鬥。
基督客棧站在這場漫長而血腥的戰爭中，儘管基督=丹斯因一個奇怪的阿倫堡之謎而戰敗。
這是任何人都無法解決的，甚至我自己也無法解決，當他們力挽狂瀾時，他們終於獲勝了。可怕的阿倫堡戰役中的敵人符文：。
就像阿倫堡兒童謀殺案一樣，阿倫堡事件也威脅到了我
在偉大的格蘭科·安哥拉戰爭的整個過程中，我們都知道三個克里斯汀國家的命運，並且據預測，解決阿倫堡謎案或對她的“刺客”進行復仇是唯一的希望-任何機會基督教國家贏得了電線，阿比安尼亞成功地粉碎了格倫德里寧本人，之後，克拉維里尼亞被摧毀了，並且“
小傑不會在阿納伊塞被消滅
答案2
對一個人來說，這可能至少需要四年七個月，或幸運的話只需十一年。最好的解決方案是看看是否有可能由群眾幽靈寫出這個「經典」（或糾纏谷歌的慈善部門），但你需要有基本規則來確定是否應該保留拼字錯誤？
只有較早的頁面是打字的，而許多較晚的頁面是單色的，因此需要再次進行灰階掃描，才有可能進行 OCR 或人工轉錄。
