Nodejs + Electron 撸个文字提取工具，支持扫描版 PDF

Nodejs + Electron 撸个文字提取工具，支持扫描版 PDF

背景

朋友工作总要找资料什么的，大多是 pdf 扫描版格式，无法复制，需要转成 word 或者文字，但由于其人穷，又不买那些 pdf 在线转换 word 的工具。得知后，帮助开发一个工具给她使用。

支持功能

  • image ocr node test/ocr.test.js （图片文字提取）
  • converting scanned PDF's to an image （扫描版 PDF 转为图片后文字提取，同下）
  • support pdf ocr node test/pdf.test.js （ PDF 文字提取）
  • support electron desktop packager （ Electron 打包为 Desktop App ）

Demo 截图

实现过程介绍

本项目基于百度 AIP 平台，OCR 接口

图片 OCR 提取文字

这个简单，直接走百度 OCR 即可得到结果。node.js 调用 SDK 而已

PDF

正常格式 PDF

这个通过pdfinfo 工具 + GraphicsMagick 来实现，pdfinfo 获取 pdf 文件信息（分页信息等），GraphicsMagick 将 pdf 作为图片（处理图片很强大）。

扫描版 PDF

这个麻烦是在 pdfinfo 工具是无法获取 pdf 文件信息的，需要代码做兼容情况处理。扫描版 PDF 最终还是转换图片后再 OCR 提取文字。

源码

详细使用方式阅读README.md

https://github.com/giscafer/easyocr

欢迎━(｀∀´)ノ亻!学习交流


11 回复

能说下原理吗？草体字能识别不


原理作者也说了，调的百度 OCR 的 SDK，百度有支持草体识别的话，就能识别

楼主是直接购买了那个识别服务吗?我记得免费有个试用上限来着.

我用的是免费版，![]( https://dn-cnode.qbox.me/FnRDAwPKBvXErCi0h0tk_Qid-01e)

难度在 PDF，图片那里没啥，直接走接口的。真正想知道原理的话，应该去搜 OCR 技术原理。

后期本人会出类似的开发教程。可以关注一下。

感谢，恰好能用到。

欢迎━(｀∀´)ノ亻! 使用，使用过程有问题可以提 PR 或者提改善建议。

赞啊～准确率能达到多少？

准确率依赖百度 OCR 接口，我用的是基础免费版的，高精准的每天次数不多。
没有公式和代码等图片的识别准确率达到 99%以上。

噢噢，了解了

当然可以！用 Node.js 和 Electron 开发一个文字提取工具，并支持扫描版 PDF，可以借助一些第三方库，如 pdf-poppler 或 tesseract.js（OCR 库）。以下是一个简单示例，展示如何开始这个项目：

  1. 安装依赖： 首先，你需要安装 Node.js 和 Electron。然后，在项目目录中初始化一个新的 npm 项目并安装所需依赖：

    npm init -y
npm install electron pdf-poppler tesseract.js

  2. 创建主进程文件（main.js）：

    const { app, BrowserWindow } = require('electron');
const path = require('path');

function createWindow () {
  const mainWindow = new BrowserWindow({
    width: 800,
    height: 600,
    webPreferences: {
      preload: path.join(__dirname, 'preload.js')
    }
  });

  mainWindow.loadFile('index.html');
}

app.whenReady().then(createWindow);

app.on('window-all-closed', () => {
  if (process.platform !== 'darwin') {
    app.quit();
  }
});

app.on('activate', () => {
  if (BrowserWindow.getAllWindows().length === 0) {
    createWindow();
  }
});

  3. 编写前端页面（index.html）和 preload.js 用于与 Node.js 集成，并调用 pdf-poppler 和 tesseract.js 提取文字。

由于篇幅限制，这里只展示了基本的 Electron 框架。实际项目中，你需要在 preload.js 中编写与 Node.js 交互的代码，并处理 PDF 文件读取和 OCR 文字识别。可以查阅 pdf-poppler 和 tesseract.js 的文档获取更多详细信息。

回到顶部