Your Name a4489f4945 feat: add OCR language extension configuration and documentation

- 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.

2026-01-24 00:16:32 +08:00

5.8 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：

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
PDF	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

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

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。

5.8 KiB Raw Blame History Unescape Escape