Elijah/convertor
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
convertor/docs/功能說明/OCR.md
Your Name a06df23b1d feat: 新增 OCRmyPDF 轉換引擎 (v0.1.14) 
## 新功能
- OCRmyPDF 轉換引擎：將掃描版 PDF 轉換為可搜尋 PDF
  - 支援 7 種語言：en, zh-TW, zh, ja, ko, de, fr
  - 與 PDFMathTranslate 風格一致的 UI 格式 (pdf-<lang>)
  - 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 5 階段處理進度輸出

## 建置
- Dockerfile：安裝 ocrmypdf 與 Tesseract OCR 語言包

## 文件
- 更新 OCR 功能文件
- 文件目錄結構改為中文名稱

## 測試
- 修復 BabelDOC 和 PDFMathTranslate 測試的 OCR mock
- 所有 345 個測試通過
2026-01-23 16:28:33 +08:00

3.5 KiB
Raw Blame History

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. 選擇目標語言：
    格式 說明
    pdf-en English
    pdf-zh-TW 繁體中文
    pdf-zh 簡體中文
    pdf-ja 日本語
    pdf-ko 한국어
    pdf-de Deutsch
    pdf-fr Français
  4. 進行轉換

💡 功能特點：

  • 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

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

Tesseract 可同時辨識多種語言，但準確度可能下降。

建議：

  • 單一語言文件使用單一語言包
  • 中英混合使用 chi_tra+eng

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

相關文件