a4489f4945
- Introduced `compose.ocr-languages.yml` for installing additional Tesseract OCR language packs during container startup. - Updated documentation to include new OCR language extension options and usage scenarios. - Enhanced existing documentation with references to the new OCR language extension guide. - Improved test coverage for the deark converter and formats, ensuring accurate format handling and error management. - Refactored code to streamline file system operations and improve readability.
183 lines
5.8 KiB
Markdown
183 lines
5.8 KiB
Markdown
# OCR 功能
|
||
|
||
ConvertX-CN 內建 Tesseract OCR 與 ocrmypdf，提供完整的 OCR 功能：
|
||
|
||
- **圖片 OCR**：將圖片中的文字轉換為可編輯文字
|
||
- **PDF OCR**：將掃描版 PDF 轉換為可搜尋 PDF（加入文字層）
|
||
- **PDF 自動偵測**：翻譯引擎會自動偵測掃描版 PDF 並進行 OCR 處理
|
||
|
||
---
|
||
|
||
## 內建語言
|
||
|
||
ConvertX-CN 完整版內建以下 OCR 語言：
|
||
|
||
| 語言 | 代碼 |
|
||
| -------- | --------- |
|
||
| 繁體中文 | `chi_tra` |
|
||
| 簡體中文 | `chi_sim` |
|
||
| 英文 | `eng` |
|
||
| 日文 | `jpn` |
|
||
| 韓文 | `kor` |
|
||
| 德文 | `deu` |
|
||
| 法文 | `fra` |
|
||
|
||
---
|
||
|
||
## 使用方式
|
||
|
||
### PDF → 可搜尋 PDF（OCR）
|
||
|
||
將掃描版 PDF 轉換為可搜尋 PDF：
|
||
|
||
1. 上傳 PDF 檔案
|
||
2. 選擇 Converter: `OCRmyPDF`
|
||
3. 選擇目標格式：
|
||
|
||
| 格式 | 說明 | 推薦場景 |
|
||
| ----------- | ------------------------------ | ---------------- |
|
||
| `pdf-ocr` | **自動檢測（多語言）** ⭐ 推薦 | 通用、多語言文件 |
|
||
| `pdf-en` | 僅英文 | 純英文文件 |
|
||
| `pdf-zh-TW` | 僅繁體中文 | 純繁體中文文件 |
|
||
| `pdf-zh` | 僅簡體中文 | 純簡體中文文件 |
|
||
| `pdf-ja` | 僅日文 | 純日文文件 |
|
||
| `pdf-ko` | 僅韓文 | 純韓文文件 |
|
||
| `pdf-de` | 僅德文 | 純德文文件 |
|
||
| `pdf-fr` | 僅法文 | 純法文文件 |
|
||
|
||
4. 進行轉換
|
||
|
||
> 💡 **功能特點**：
|
||
>
|
||
> - **自動多語言檢測**：`pdf-ocr` 模式可處理中英混排、多語言文件
|
||
> - 自動偵測頁面方向並旋轉
|
||
> - 自動校正傾斜
|
||
> - 跳過已有文字層的頁面
|
||
> - 詳細的處理進度輸出
|
||
|
||
### 🆕 自動多語言檢測模式
|
||
|
||
選擇 `pdf-ocr` 時，系統會使用所有已安裝的語言包進行辨識：
|
||
|
||
```
|
||
eng + chi_tra + chi_sim + jpn + kor + deu + fra
|
||
```
|
||
|
||
**適用場景：**
|
||
|
||
- ✅ 中英混排文件（如學術論文）
|
||
- ✅ 日英混排文件
|
||
- ✅ 不確定文件語言時
|
||
- ✅ 包含多種語言的文件
|
||
|
||
### 圖片 → 文字
|
||
|
||
1. 上傳圖片（PNG, JPG, TIFF 等）
|
||
2. 選擇目標格式 `txt` 或 `pdf`（可搜尋）
|
||
3. 進行轉換
|
||
|
||
### 掃描版 PDF 翻譯（自動處理）
|
||
|
||
當使用 PDFMathTranslate 或 BabelDOC 翻譯 PDF 時：
|
||
|
||
1. 系統會**自動偵測**是否為掃描版 PDF（無文字層）
|
||
2. 若為掃描版，系統會**自動執行 OCR** 加入文字層
|
||
3. 翻譯引擎使用 OCR 處理後的 PDF 進行翻譯
|
||
4. 使用者無需手動操作，全程自動完成
|
||
|
||
---
|
||
|
||
## 支援的輸入格式
|
||
|
||
- **點陣圖**：PNG, JPG, JPEG, TIFF, BMP, GIF
|
||
- **其他**：WebP, PNM, PBM
|
||
|
||
---
|
||
|
||
## 輸出格式
|
||
|
||
| 格式 | 說明 |
|
||
| ---- | --------------- |
|
||
| TXT | 純文字 |
|
||
| PDF | 可搜尋 PDF |
|
||
| HOCR | HTML + 座標資訊 |
|
||
|
||
---
|
||
|
||
## 最佳實踐
|
||
|
||
### 提高辨識準確度
|
||
|
||
1. **解析度**：至少 300 DPI
|
||
2. **對比度**：文字與背景對比清晰
|
||
3. **傾斜校正**：確保文字水平
|
||
4. **雜訊去除**：去除背景雜訊
|
||
|
||
### 處理多語言文件
|
||
|
||
#### 方法一：使用自動檢測模式（推薦）
|
||
|
||
選擇 `pdf-ocr` 格式，系統會自動使用所有語言包進行辨識，無需手動指定語言。
|
||
|
||
- ✅ 無需猜測文件語言
|
||
- ✅ 支援中英混排、多語言文件
|
||
- ✅ 一鍵處理所有情況
|
||
|
||
#### 方法二：指定單一語言
|
||
|
||
如果確定文件只包含單一語言，可選擇對應的語言格式（如 `pdf-en`），可能獲得更高的辨識準確度。
|
||
|
||
---
|
||
|
||
## 新增語言
|
||
|
||
ConvertX-CN 預設內建 7 種 OCR 語言，但你可以透過 Docker Compose 配置擴展支援更多語言。
|
||
|
||
### 擴展方法
|
||
|
||
| 方法 | 說明 | 適用場景 |
|
||
| ----------------- | -------------------------- | -------------- |
|
||
| compose.yaml 安裝 | 容器啟動時自動安裝語言包 | 測試、臨時使用 |
|
||
| 掛載語言包 | 下載 .traineddata 檔案掛載 | 離線環境 |
|
||
| 自訂 Dockerfile | 建置包含語言包的自訂映像 | 生產環境 |
|
||
|
||
### 常用可選語言
|
||
|
||
| Tesseract 包名 | 語言 |
|
||
| ------------------- | -------- |
|
||
| `tesseract-ocr-spa` | 西班牙文 |
|
||
| `tesseract-ocr-ita` | 義大利文 |
|
||
| `tesseract-ocr-por` | 葡萄牙文 |
|
||
| `tesseract-ocr-rus` | 俄文 |
|
||
| `tesseract-ocr-ara` | 阿拉伯文 |
|
||
| `tesseract-ocr-vie` | 越南文 |
|
||
| `tesseract-ocr-tha` | 泰文 |
|
||
|
||
> 📖 **詳細配置指南**：[OCR 語言擴展指南](../Docker組合配置/OCR語言擴展.md)
|
||
>
|
||
> 包含完整的 compose.yaml 範例、語言包下載方法、以及 50+ 種可用語言列表。
|
||
|
||
---
|
||
|
||
## OCRmyPDF vs 翻譯引擎語言支援
|
||
|
||
| 功能 | OCRmyPDF | PDFMathTranslate / BabelDOC |
|
||
| -------- | --------------------------- | --------------------------- |
|
||
| 內建語言 | 8 種 | 15 種 |
|
||
| 可擴展 | ✅ 可透過 compose.yaml 添加 | ❌ 固定 |
|
||
| 語言用途 | OCR 文字辨識 | 翻譯目標語言 |
|
||
|
||
**OCRmyPDF 內建語言**：英文、繁體中文、簡體中文、日文、韓文、德文、法文 + 自動多語言模式
|
||
|
||
**翻譯引擎內建語言**：英文、簡體中文、繁體中文、日文、韓文、德文、法文、西班牙文、義大利文、葡萄牙文、俄文、阿拉伯文、印地文、越南文、泰文
|
||
|
||
> 💡 如果需要 OCR 更多語言，請參考 [OCR 語言擴展指南](../Docker組合配置/OCR語言擴展.md)。
|
||
|
||
---
|
||
|
||
## 相關文件
|
||
|
||
- [支援的轉換器](轉換器.md)
|
||
- [翻譯功能](翻譯功能.md)
|
||
- [OCR 語言擴展指南](../Docker組合配置/OCR語言擴展.md)
|
||
- [Docker 部署](../部署指南/Docker部署.md)
|