如何大规模检索PDF中的图像

godvij

我的需求是，平时看许多古籍类的PDF工具书，但市面上对古籍转变成文字的支持度不高，因为古籍格式是从上到下，从右到左。能不能假定某些汉字是图像，而通过某个软件实现实现图像找图像？

其实我感觉ADOBE,已经很接近我的需求了，但它始终是以文字对图像，结果转的一踏糊涂。他在转文字后，会问某个图像是不是某些文字。但可选项太低。如果能在这个基础上实现智能化，在加一个索引也能实现我的需求。

freelive

试试那些AI识别的网站，或许效果更好。

godvij

freelive 发表于 2024-6-12 16:41
试试那些AI识别的网站，或许效果更好。

唉，我在想想招吧.

lsbdx

这个工作量有点大，可以使用Tesseract-ocr，用它训练新词库，建立图片与文字的映射关系
具体可以参考：
Tesseract-ocr训练新词库记录及资料整理
https://zhuanlan.zhihu.com/p/691719582

Tesseract-OCR的简单使用与训练
https://blog.csdn.net/weixin_44143876/article/details/134485827

godvij

lsbdx 发表于 2024-6-12 19:58
这个工作量有点大，可以使用Tesseract-ocr，用它训练新词库，建立图片与文字的映射关系
具体可以参考：
T ...

这也是个思路，不过走这条路的工作量真不小。