da856d89ff
- Create README.md for internationalization (i18n) documentation - Add English translation for main README and quick start guide - Add Japanese translation for main README - Add Simplified Chinese translation for main README - Introduce sample Docker Compose configurations for various deployment scenarios - Implement CI/CD documentation for testing and deployment workflows - Establish end-to-end testing guidelines and strategies - Create test strategy documentation outlining unit, integration, and E2E tests
2.4 KiB
2.4 KiB
OCR 功能
ConvertX-CN 內建 Tesseract OCR，可將圖片中的文字轉換為可編輯文字。
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
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
PDF → 可搜尋 PDF
- 上傳掃描版 PDF
- 選擇 OCR 處理
- 獲得可搜尋的 PDF
支援的輸入格式
- 點陣圖：PNG, JPG, JPEG, TIFF, BMP, GIF
- 文件：PDF（掃描版）
- 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
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
RUN apt-get update && apt-get install -y --no-install-recommends \
tesseract-ocr-spa \ # 西班牙文
tesseract-ocr-ita \ # 義大利文
&& rm -rf /var/lib/apt/lists/*
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 |