4.7 KiB
4.7 KiB
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：
-
上傳 PDF 檔案
-
選擇 Converter:
OCRmyPDF -
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 -
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
- 上傳圖片（PNG, JPG, TIFF 等）
- 選擇目標格式
txt或pdf（可搜尋） - 進行轉換
掃描版 PDF 翻譯（自動處理）
當使用 PDFMathTranslate 或 BabelDOC 翻譯 PDF 時：
- 系統會自動偵測是否為掃描版 PDF（無文字層）
- 若為掃描版，系統會自動執行 OCR 加入文字層
- 翻譯引擎使用 OCR 處理後的 PDF 進行翻譯
- 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 |
| 可搜尋 PDF | |
| HOCR | HTML + 座標資訊 |
最佳實踐
提高辨識準確度
- 解析度：至少 300 DPI
- 對比度：文字與背景對比清晰
- 傾斜校正：確保文字水平
- 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
方法一：自訂 Dockerfile
💡 在
Dockerfile.full中取消註解以下內容
RUN apt-get update && apt-get install -y --no-install-recommends \
tesseract-ocr-spa \
tesseract-ocr-ita \
&& rm -rf /var/lib/apt/lists/*
tesseract-ocr-spa— 西班牙文tesseract-ocr-ita— 義大利文
方法二：掛載語言包
volumes:
- ./tessdata:/usr/share/tesseract-ocr/5/tessdata
下載語言包：https://github.com/tesseract-ocr/tessdata_best
可選語言包
| 區域 | 語言 |
|---|---|
| 西歐 | 西班牙文、義大利文、葡萄牙文 |
| 北歐 | 瑞典文、丹麥文、挪威文、芬蘭文 |
| 東歐 | 俄文、波蘭文、捷克文、匈牙利文 |
| 中東 | 阿拉伯文、希伯來文、土耳其文 |
| 南亞 | 印地文、孟加拉文、泰米爾文 |
| 東南亞 | 泰文、越南文、印尼文 |