将pdf转换为txt

Question

我正在尝试将pdf转换为Flint water crisis emails from Gov. Snyder的文本。基本上他们有从Outlook打印的20k +电子邮件页面，然后以.pdf的形式扫描。 （我知道，令人讨厌。）我已经尝试过各种工具，如Tesseract（直接和将Image.png转换为.tif与ImageMagik后），我只是得到一堆gobbledeegook。

有没有人有任何其他建议如何处理这些文件？我可以在Acrobat Reader中打开它们并复制所有文本，但结果很差，格式不一致，因此编写一个脚本来清理它非常具有挑战性。

在此先感谢！

Answer 1

OCR的质量直接取决于图像质量，文档格式和布局以及所使用的OCR技术的质量和正确配置。随着文档复杂性的增加，通常您将从免费的OCR转向更强大的商业解决方案，以实现更高的OCR结果。如果您需要格式保存，那么仅存在于少数商业OCR应用程序中。任何一家主要的OCR提供商都是您的答案。

考虑使用OCR-IT基于Web的API（www.ocr-it.com）进行此转换。 /市场上最高质量的OCR之一。我是该系统的原始开发人员之一，我们的目标是实现市场上的顶级质量。另外，如果这种转换是为了一个好的原因和人们的利益，由一个非营利组织，一个非商业项目，或者只是一个善意的个人项目，我的朋友和我想要帮助。我们自愿提供免费的大容量转换。我们提供我们的技能和高质量的OCR软件，以换取非货币补偿，例如在您的项目中提及，向我们分享关于我们的信息，传播有关我们的商誉等信息。