node.js+electron 撸个文字提取工具，支持扫描版 PDF

背景

朋友工作总要找资料什么的，大多是 pdf 扫描版格式，无法复制，需要转成 word 或者文字，但由于其人穷，又不买那些 pdf 在线转换 word 的工具。得知后，帮助开发一个工具给她使用。

支持功能

• image ocr node test/ocr.test.js （图片文字提取）
• converting scanned PDF's to an image （扫描版 PDF 转为图片后文字提取，同下）
• support pdf cr node test/pdf.test.js （ PDF 文字提取）
• support electron desktop packager （ Electron 打包为 Desktop App ）

Demo 截图

实现过程介绍

本项目基于百度 AIP 平台，OCR 接口

图片 OCR 提取文字

这个简单，直接走百度 OCR 即可得到结果。node.js 调用 SDK 而已

PDF

正常格式 PDF

这个通过pdfinfo 工具 + GraphicsMagick 来实现，pdfinfo 获取 pdf 文件信息（分页信息等），GraphicsMagick 将 pdf 作为图片（处理图片很强大）。

扫描版 PDF

这个麻烦是在 pdfinfo 工具是无法获取 pdf 文件信息的，需要代码做兼容情况处理。扫描版 PDF 最终还是转换图片后再 OCR 提取文字。

源码

详细使用方式阅读README.md

https://github.com/giscafer/easyocr

欢迎━(｀)ノ亻!学习交流