php - 将 PDF 转换为 PNG 供 Tesseract 处理

Question

我目前在使用 Imagemagick 和 Tesseract 时遇到问题。

我正在研究 PHP 文档的命令行分类器。这个想法是，它接受 PDF 文档并使用 League Pipeline package通过许多步骤。我确定的必要步骤如下:

1. 将 PDF 转换为 PNG 文件
2. 从 PNG 文件中提取文本
3. 通过机器学习库运行文本以对其进行分类

主要命令如下所示:

<?php

namespace Matthewbdaly\LetterClassifier\Commands;

use Symfony\Component\Console\Command\Command;
use Symfony\Component\Console\Input\InputInterface;
use Symfony\Component\Console\Output\OutputInterface;
use Symfony\Component\Console\Input\InputArgument;
use League\Pipeline\Pipeline;
use Matthewbdaly\LetterClassifier\Stages\ConvertPdfToPng;
use Matthewbdaly\LetterClassifier\Stages\ReadFile;

class Processor extends Command
{
    protected function configure()
    {
        $this->setName('process')
            ->setDescription('Processes a file')
            ->setHelp('This command processes a file')
            ->addArgument('file', InputArgument::REQUIRED, 'File to process');
    }

    protected function execute(InputInterface $input, OutputInterface $output)
    {
        $file = $input->getArgument('file');
        $pipeline = (new Pipeline)
            ->pipe(new ConvertPdfToPng)
            ->pipe(new ReadFile);
        $pipeline->process($file);
    }
}

如您所见，它接受文件名作为第一个参数，然后为所需步骤定义管道，然后将文件传递到管道。

转换 PDF 的步骤如下所示:

<?php

namespace Matthewbdaly\LetterClassifier\Stages;

use Imagick;

class ConvertPdfToPng
{
    public function __invoke($file)
    {
        $tmp = tmpfile();
        $uri = stream_get_meta_data($tmp)['uri'];
        $img = new Imagick($file);
        $img->setResolution(300, 300);
        $img->setImageDepth(8);
        $img->setImageFormat('png');
        $img->writeImage($uri);
        return $tmp;
    }
}

它将 PDF 的 PNG 版本写入临时文件。生成的文件看起来不错，至少在我看来是这样，但 Tesseract 无法正确读取它。这是 Tesseract 处理文件的第二步:

<?php

namespace Matthewbdaly\LetterClassifier\Stages;

use thiagoalessio\TesseractOCR\TesseractOCR;

class ReadFile
{

    public function __invoke($file)
    {
        $uri = stream_get_meta_data($file)['uri'];
        $ocr = new TesseractOCR($uri);
        $output = $ocr->lang('eng')->run();
        eval(\Psy\Sh());
    }
}

Psysh 的输出如下所示:

=> """
   Am sum\n
   \n
   mm“ m mun SuHrkw-l\n
   n m 51mm\n
   \n
   mm\n
   \n
   um um\n
   \n
   ms Murine\n
   1 Elm: 51mm\n
   Emnuumn\n
   \n
   a mu\n
   \n
   m Mm 2m-\n
   Dav st-n-m.\n
   \n
   P‘Eualanfl ma lumnflarvlmamrmy ”Hay ”mum-m-\n
   we we “mum-m n: "mum,“ m mun\n
   \n
   vm [harem\n
   \n
   Am smrm
   """

这不是我要分类的信件的内容 - 文本已被破坏。如果我从 shell 运行以下命令，它们将按预期工作，将信件的文本转换并写入输出文件:

convert -density 300 Quote.pdf output.png
tesseract output.png output

如果我在 Tesseract 阶段对文件路径进行硬编码，使其指向使用 convert 命令生成的 output.png，那么就可以了。所以我相当有信心问题出在生成 PNG 文件的步骤上。我对使用 Imagemagick 没有那么丰富的经验，所以我不确定为什么无法处理该文件，但似乎缺少某种设置。

谁能提出问题可能是什么？

Answer 1

我怀疑问题是 Imagick 在调用 setResolution() 之前读取了 PDF。

尝试实例化一个空的 IMagick 对象，设置分辨率，然后读取文件:

$img = new Imagick();
$img->setResolution(300, 300);
$img->readImage($file);