
网站：[PDF去水印](https://www.douyacun.com/pdf/remove-watermark)

微信小程序：扫描下方二维码<img src="/images/blog/1/tools/assert/gh_ef4d7d1f7966_258.jpeg" alt="gh_ef4d7d1f7966_258" style="zoom:33%;text-align:right" />

此类水印是常见的图片水印，水印是图片，后期添加到PDF上面去的。去除成功率较高。以下为常见案例：

**案例1：** 

pdf去水印：微信公众号：djky66 (顶尖考研祝您上岸)

<img src="/images/blog/1/tools/assert/微信公众号：djky66_顶尖考研祝您上岸-去水印前.png" alt="微信公众号：djky66_顶尖考研祝您上岸-去水印前" style="zoom:33%;text-align:left;"/>
<img src="/images/blog/1/tools/assert/微信公众号：djky66_顶尖考研祝您上岸-去水印后.png" alt="微信公众号：djky66_顶尖考研祝您上岸-去水印后" style="zoom:33%;text-align:right;"/>

**案例2:**

PDF去水印：华图教师

<img src="/images/blog/1/tools/assert/华图教师-去水印前.png" alt="华图教师-去水印前" style="zoom:25%;text-align:left" />
<img src="/images/blog/1/tools/assert/华图教师-去水印后.png" alt="华图教师-去水印后" style="zoom:25%;text-align:right;" />

**案例3:**

PDF去水印：夸克扫描王

<img src="/images/blog/1/tools/assert/夸克扫描王-去水印前.png" alt="夸克扫描王-去水印前" style="zoom:33%;text-align:left" />
<img src="/images/blog/1/tools/assert/夸克扫描王-去水印后.png" alt="夸克扫描王-去水印后" style="zoom:33%;" />



**案例4:**

PDF去水印：223网校

<img src="/images/blog/1/tools/assert/233网校-去水印前.png" alt="233网校-去水印前" style="zoom:25%;text-align:left" />
<img src="/images/blog/1/tools/assert/233网校-去水印后.png" alt="233网校-去水印后" style="zoom:25%;" />

2023年2月PDF去除水印成果展示



# 安装依赖

```shell
yum install autoconf automake libtool pkgconfig.x86_64 libpng12-devel.x86_64 libjpeg-devel libtiff-devel.x86_64 zlib-devel.x86_64 gcc gcc++
```

- Leptonica-1.79

```shell
wget http://www.leptonica.org/source/leptonica-1.79.0.tar.gz
tar -zxvf leptonica-1.79.0.tar.gz
cd leptonica-1.79.0
./configure --prefix=/usr/local/leptonica-1.79.0
make && make install

export PKG_CONFIG_PATH=/usr/local/leptonica-1.79.0/lib/pkgconfig
```

# 安装 tesseract 4.1.1 稳定版本

```shell
wget https://github.com/tesseract-ocr/tesseract/archive/refs/tags/4.1.1.zip

./autogen.sh
./configure --prefix=/usr/local/tesseract-4.1.1
make && make install
```

看下tesseract支持的语言
```
tesseract --list-lang
```

如果报错：
```
Error in pixReadMemJpeg: function not present
Error in pixReadMem: jpeg: no pix returned
Error during processing.

Error in pixReadMemTiff: function not present
Error in pixReadMem: tiff: no pix returned
Error in pixaGenerateFontFromString: pix not made
Error in bmfCreate: font pixa not made
Error opening data file /usr/local/share/tessdata/eng.traineddata
```
说明 jpeg 的依赖库没有安装， 执行:
```
yum install libpng12-devel.x86_64 libjpeg-devel libtiff-devel.x86_64 -y 
```
然后重新编译 Leptonica-1.79

安装训练文件：eng + chi_sim

```shell
wget https://github.com/tesseract-ocr/tessdata_best/blob/master/chi_sim.traineddata /usr/local/share/tessdata
wget https://github.com/tesseract-ocr/tessdata_best/blob/master/eng.traineddata /usr/local/share/tessdata

export TESSDATA_PREFIX=/usr/local/share/tessdata
```

# 安装Tesseract 5.0

```shell
git clone https://github.com/tesseract-ocr/tesseract.git
cd tesseract
./autogen.sh
./configure --prefix=/usr/local/tesseract-5.0 
make && make install
```

训练文件安装步骤 和 4.0 相同




centos7 安装 tesseract4.1.1 tesseract5.0


**下载地址**：

- [windows](https://www.douyacun.com/s/pdf_tools.exe)
- [mac](https://www.douyacun.com/s/pdftools)



PDF工具箱功能：

[toc]

# 一、PDF去水印-专业版

**先介绍常见的PDF水印：**

- 文字水印，可以选中，并且文字可以复制出来（空空说考研）的，就是文字水印，此类水印一般是在正文图层下方

![pdf去水印-选中文字.png](/images/blog/1/tools/assert/pdf去水印-选中文字.png)

- 图片水印，此类水印需要分为2种
  - 正文中嵌入水印图片，典型的像是扫描全能王的水印

      ![pdf去水印-选中图片.png](/images/blog/1/tools/assert/pdf去水印-选中图片.png)

  - 正文和水印是一张图片，这种水印是需要图片去水印的，目前PDF还不支持图片去水印

- 图形水印，将unicode文字用贝尔曲线画出来的图形（画图工具嵌入的文字就是贝尔曲线），可以选中但是文字复制不出来，这种水印是难以识别的，文字转图形以后就无法在转回来了。不过软件可以将这块内容标记出来，供大家判别是否为水印。

    ![pdf去水印-选中图形.png](/images/blog/1/tools/assert/pdf去水印-选中图形.png)



**去水印步骤（windows与mac一致）：**



1. 选择PDF文件

选择文件以后软件会分析PDF文件中的文字水印、图片水印、图形水印

2. 图片水印

![pdf去水印-图片水印.png](/images/blog/1/tools/assert/pdf去水印-图片水印.png)

软件会提取嵌入在正文中的图片，如上图，像这种水印是和正文分开的，是可以去掉的。

但如果像是下面这种，正文文字和水印在同一张图片上是去不掉的。常见的就是扫描版的图书

3. 文字水印

选择文件后软件分析PDF最多前10页的所有文字段落并统计出现次数：

![pdf去水印-文字水印.png](/images/blog/1/tools/assert/pdf去水印-文字水印.png)

大家可以用这个功能来删除文字

4. 图形水印

选择文件后会分析PDF中的文字图形水印，然后将其截图标记出来，如下图：

![pdf去水印-图形水印](/images/blog/1/tools/assert/pdf去水印-图形水印.png)

5. 预览保存

预览保存，会将判别为水印的文字移除掉，可以预览去水印效果是否能去掉水印，预览效果只会处理一次，再次预览不会二次处理，需要重选文件后预览。

![pdf去水印-预览](/images/blog/1/tools/assert/pdf去水印-预览.png)

# 二、PDF转Word

使用步骤：

1. 选择文件

2. 保存为docx

控制台会显示处理进度：

![pdf转word-控制台](/images/blog/1/tools/assert/pdf转word-控制台.png)

# 三、PDF批量加密文件

PDF批量加密功能，选择目录会遍历目录下的所有PDF文件，展示在下方表格中。可以取消勾选来取消加密文件

![pdf批量加密-选择目录](/images/blog/1/tools/assert/pdf批量加密-选择目录.png)

加密选项：

**用户密码：** 只有使用用户密码才可以打开PDF文件，否则无法访问，加密方式默认使用res_256（原美国军方）加密。此加密比较安全，难以破解。

**所有者秘密：** 此项用作限制用户复制、打印、修改、添加备注、添加表单的权限，没有密码也是可以访问文件内容。

![pdf批量机密-加密选项](/images/blog/1/tools/assert/pdf批量机密-加密选项.png)

用户密码 和 所有者密码 可以同时设置不同的密码，

填写所有者密码以后，默认是禁止打印、禁止修改文档、禁止合并文档、禁止复制/提取内容、禁止添加备注、禁止添加表单。

# 四、PDF转图片

文档待补充～

**软件截图**

![image-20211229153634052](/images/blog/1/tools/assert/pdf转图片-截图.png)

**参数介绍**

页数：从 x - y 生成图片，比如: 1-10 表示会生成 从第一页到第十页 11张图片， 此项与页码互不影响。

页码：特殊指定某页，比如: 1,2,4,8,9

图片格式：支持png、jpeg、webp

dpi：像素点，会影响打印效果，超过300dpi，人眼是分辨不出来的

保存：建议选择一个空文件夹，图片以页码作为文件名

# TODO

## PDF强力水印

## 

## 图片合成PDF


PDF工具箱有PDF去水印、PDF转Word功能，支持windows、mac的桌面工具类软件

PDF工具箱教程


# yapi 设置环境变量，如何修改全局变量？

`环境配置` 一项可以添加该项目下接口的实际环境，供 [接口测试](https://hellosean1025.github.io/yapi/documents/case.html) 使用，这里增加了全局 header，可以在项目中设置全局 header 值

![截屏2020-12-19 下午2.03.31](/images/blog/1/tools/assert/yapi-环境变量配置.png)

可以设置全局的header，cookie，global，使用 `{{}}`来引用环境变量，但是大部分使用环境变量的场景是需要能自动修改环境变量，比如：调用登录接口获取token，其他接口在调用时可以自动设置 `Authorization: Bearer helloworld`这种场景，如果使用global，yapi没有提供可以修改global的接口，做不到



那怎么办？我肯定不会每次token过期了再去手动设置global access_token的！



思路：

yapi提供了 storage 来存储数据 和  pre-script/pre-script 请求前后处理脚本。

每次调用登录接口后存储 access_token到storage中, 然后每次请求拼接设置header  `Authorization: Bearer helloworld`

`Pre-request Script(请求参数处理脚本)`

```js
context.requestHeader.Authorization = "Bearer " + storage.getItem('accessToken');
```

`Pre-response Script(响应数据处理脚本)`

```js
if (context.responseData && context.responseData.data && context.responseData.data.accessToken) {
    storage.setItem("accessToken", context.responseData.data.accessToken)
}

console.log("accessToken", context.responseData.data.accessToken);
```


![](/images/blog/1/tools/assert/yapi-pre-script.png)

注意必须保存才能生效的，不生效看看有没有保存成功，字段是否一致？

请求成功案例：

[YApi 新版如何查看 http 请求数据](https://juejin.cn/post/6844903795743260685)

![yapi-环境变量-成功案例.png](/images/blog/1/tools/assert/yapi-环境变量-成功案例.png)

yapi无法修改全局变量！如何曲线救国！

yapi 设置环境变量，如何修改全局变量？


非常重要：原创，原创数量，Google搜索引擎收录数量

总结一下我的3次申请经历，希望能给大家有点提示

第一次申请：2018年3月那时开始学习react，摸索着做了一个视频种子站（00h.tv），现在在google上还是可以通过  [site:00h.tv](https://www.google.com/search?q=site%3A00h.tv) 看到当时已经被收录的页面，申请时也没有报太大的希望～，google也不会让你失望

![image-20210118175835140](/images/blog/1/tools/assert/image-20210118175835140.png)

第二次申请：2020年快过年那会申请，此时的我已经工作了3年了，会go php python c，有一次面头条，被问到你有什么优势，瞬间懵逼了。故此才决定开始写博客。从整个架子搭建出来以后就开始申请google adsense，又被拒绝了～，也是因为没啥内容，质量也不过关

这会得贴一下google adsense加入 [AdSense 计划的资格要求](https://support.google.com/adsense/answer/9724?hl=zh-Hans)，第一条就是：**您提供的内容是否有趣并且是您原创**的，可以看作是申请时唯一的要求了

![加入google-adsense资格要求](/images/blog/1/tools/assert/加入google-adsense资格要求.png)

第三次申请：2021-01-16填写的申请，01-17号就获得了资格，也就是说如果你的网站是合格的话（稳定性很重好），一天就可以出结果了。这里可以看下我申请后，网站内google搜索引擎蜘蛛的请求量，正常情况每天也就10个左右，但是申请后1天内爬虫达到了143次

![google-adsense-douyacun](/images/blog/1/tools/assert/google-adsense-1022749.png)

![google-adsense爬虫日志.png](/images/blog/1/tools/assert/google-adsense爬虫日志.png)



接下来就是维护了，其实维护比申请更重要，被封了以后此账号再也没有机会了

- **不要自己点击：** 对 Google 广告的点击必须来自真正感兴趣的用户，严禁以任何手段虚增 Google 广告的点击次数或展示次数。禁止使用的手段包括但不限于：人工重复点击或展示，使用可自动产生点击和展示的工具，以及诉诸漫游器或欺诈性软件。**请注意，发布商不得出于任何原因点击自己的广告。**

- **不要引导用户点击：** 虚假消息，出人意料的点击区域，误导性网站行为，操纵浏览器历史记录，社交工程学（网上诱骗网站和欺骗性网站），自动重定向，模仿移动中或点击中的鼠标指针，试图诱使用户与其互动。列出来就说明google已经有响应的反作弊措施了
- **其他反人类的内容：** 这个比较放心，毕竟在国内是要备案的，我是不敢发的～

2021-01-16填写的申请，01-17号就获得了资格

如何快速高质量申请Google广告？


**问题：PDF每页怎么批量添加两侧留白？pdf怎么调整上下边距？pdf扩展左右两侧边距？如何给pdf增加留白，方便备注？**


PDF扩展边距的操作非常简单，只需要打开

网站:  [pdf加白边 - 大宁工作室](https://www.douyacun.com)

微信小程序：大宁宝箱

![大宁宝箱](https://www.douyacun.com/images/blog/1/assert/daningbaoxiang.webp)

支持的多种样式，按比例自定义边距空白大小

1. 左右两侧边距空白，中间展示内容
2. 上下两侧留白，中间展示内容

3. 顶部留白，底部展示内容
4. 底部留白，顶部展示内容
5. 左侧留白，右侧展示内容
6. 右侧留白，左侧展示内容
7. 四周扩展白边，中间展示内容
8. 右边、下边增加空白边距，左上展示内容

扩展pdf边距，增加更多留白 操作步骤：

第一步：选择文件然后选择在哪一测增加边距

![pdf加白边-选择样式](/images/blog/1/tools/assert/pdf加白边-选择样式.jpg)

第二步：点击添加白边，等待处理完成后下载即可

![pdf加白边-下载预览](/images/blog/1/tools/assert/pdf加白边-下载预览.jpg)

在遇到以下场景时，可以考虑使用扩展pdf边距

1. 打印排版：在打印 PDF 文件时，可能会出现内容被裁剪或者排版不够美观的情况。通过扩展 PDF 的边距和增加留白，可以保证内容不会被裁剪，同时也可以调整排版，使其更加美观。
2. 添加注释：在 PDF 文件上添加注释或者批注时，可能需要额外的空间。通过增加 PDF 的左右两侧边距和增加留白，可以为注释或者批注留出更多的空间，从而更方便的添加和查看注释。
3. 电子书阅读：在使用电子书阅读器阅读 PDF 文件时，可能需要调整页面的大小和布局。通过扩展 PDF 的边距和增大左右两侧边距，可以让文本和图片更好的适应屏幕大小，从而提升阅读体验。
4. 印刷排版：在进行印刷排版时，可能需要对 PDF 文件进行调整，以便让它们更好地适应印刷机的要求。通过扩展 PDF 的边距和增加留白，可以调整页面的大小和布局，从而更好地适应印刷要求。
5. 转换文档格式：有些文档转换工具可能要求 PDF 文件必须具有一定的边距和留白才能进行转换。在这种情况下，通过扩展 PDF 的边距和增加留白，可以确保 PDF 文件可以被正确转换为其他格式。

总之，扩展 PDF 的边距，增加留白，增大左右两侧边距可以让我们更好的处理 PDF 文件，并提升阅读和印刷体验。


PDF扩展边距可以让您在文档的边缘留下更多的空间，以便于添加注释、标记或其他信息

如何修改pdf两侧边距，增加留白，方便备注？


支持pdf编辑的软件挺多，比如：wps pdf编辑，福昕pdf 是很好用的

但是如果有一堆文件需要去修改的话估计会累死个人。更新软件此次就新增了 多文件批量替换PDF文字内容。不喜欢下载软件的同学可以使用网页或者微信小程序免费体验，不过网页只支持单个文件替换。

网页地址：https://www.douyacun.com/pdf/replace-text

微信小程序:

![](https://www.douyacun.com/images/blog/1/tools/assert/gh_ef4d7d1f7966_258.jpeg)

同时批量替换PDF文字也可以用来批量删除PDF文字，只要在输入替换内容不输入即可。

选择文件夹或拖拽文件到软件中时，支持多层文件夹导入PDF，比如：一个手册pdf，每层目录就是一个文件夹。替换时可以选择 “覆盖原文件”替换之后会保留原目录结构。**注意备份原文件**。此功能适用于批量去除PDF水印。

mac/win软件下载地址：https://www.douyacun.com/tools/vip

### 视频教程：

[微信公众号视频](https://mp.weixin.qq.com/s?__biz=Mzg2MDcwMjI4NQ==&mid=2247483758&idx=1&sn=dd01f7e81f9cccc260c2a39f45305eee&chksm=ce23124cf9549b5a577818693e34dfce8cbcaf7ea9a472996e595d8c80c5f23f597c928613e3&token=260449002&lang=zh_CN#rd)

### 文字截图教程：

比如有一堆文字水印 "大宁工作室 www.douyacun.com" ，目标是替换成本公司的宣传语："小米：为发烧而生"

- **输入查找文字、替换文字，选择字体**

从PDF中复制文字出来（避免漏掉中间空格。如果无法复制处理可能是PDF中图片上的文字软件是没办法处理的），输入查找、替换文字，选择字体后拖入文件夹或者点击选择文件夹导入pdf进入下一步

![批量替换PDF文字-复制文字](/images/blog/1/tools/assert/批量替换PDF文字-复制文字.jpg)

![批量替换PDF文字-查找替换文字](/images/blog/1/tools/assert/批量替换PDF文字-查找替换文字.jpg)




- **选择 保存到目录 或 覆盖原文件**

默认是保存到目录，点击全部替换会弹框选择文件夹，会在输入框显示保存的目录

覆盖原文件，点击全部替换不会弹框提示选择文件夹，替换之后的文件会覆盖原文件，注意做好备份

批量处理是异步多线程处理的，并发数量取决于电脑cpu数量，进度条是每个文件的处理进度，底部“文件总数：已完成：失败：”是汇总整体处理进度，处理完成之后点击清空文件可再次替换

![批量替换PDF文件-文件处理进度](/images/blog/1/tools/assert/批量替换PDF文件-文件处理进度.jpg)

![批量替换PDF文件-成果截图](/images/blog/1/tools/assert/批量替换PDF文件-成果截图.jpg)

如果文字能从PDF中复制处理，如果存在失败会提示：文字没有匹配到



批量替换pdf文字，操作简单、全文替换、免费无损无添加 - 大宁工作室

n个PDF文件，如何一键批量替换或删除里面的文字？


扫描全能王拍照免费导出来的pdf每一页都会在右下角添加水印『扫描全能王 创建』，如何免费去除扫描全能王水印，这里给大家介绍一款简单好用的工具，无需转为word，支持批量去除pdf每一页的扫描全能王水印，保留原有pdf格式，无添加，下面就是写这一篇文章时现场用扫描全能拍照导出的pdf截图

![扫描全能王创建-水印](/images/blog/1/tools/assert/扫描全能王创建-水印.jpg)

在线网站:  [在线去除pdf水印工具](https://www.douyacun.com/pdf/remove-watermark)  或者 微信小程序搜：大宁宝箱， 下面介绍操作步骤

第一步：选择文件，上传文件

![扫面全能王水印-选择文件上传](/images/blog/1/tools/assert/扫面全能王水印-选择文件上传.jpg)

> 但是文件安全的小伙伴，可以使用桌面软件pdf工具箱，本地处理，不会上传到服务器，安全可靠
>
> 也可以放心使用网站去除水印，文件是上传到阿里云oss对象私有加密存储，去除水印的文件下载链接也是经过加密处理，5分钟有效，每天凌晨自动删除前一天的所有文件

第二步：分析文件，识别扫描全能王文字水印、二维码水印

![扫描全能王-水印识别](/images/blog/1/tools/assert/扫描全能王-水印识别.jpg)

可以看到非常准确的分析识别出扫描全能王的二维码图片水印和文字水印『扫描全能王 创建』

第三步：去除水印，预览

![扫描全能王-去除水印预览](/images/blog/1/tools/assert/扫描全能王-去除水印预览.jpg)





操作简单、支持批量、免费无损无添加 - 大宁工作室

如何去除扫描全能王pdf水印，免费无损无添加 亲测可用


就想简简单单的改PDF里面一两个字，怎么就这么难？我就遇到过这样的问题，公司入职让打印流水，面的时候谈的和现在不一样好不容易面过了，银行给的流水都是PDF想改一下真难啊，还有运营同学问我能否将PDF里面对方的公司名称全部替换成我们公司的名称。

总结了一下百度搜到的可行方案：

1. pdf转word后编辑word，然后再转pdf，这个格式没办法保证，稍微复杂一点格式就乱了
2. 下载软件，wps pdf编辑器试可用，但是导出来后会被添加水印，不支持批量替换，一两处还可以忍受，一个PDF几十甚至几百页，累死也改不完，而且大小、字体、颜色还得自己调整，这要是有个格式刷就好了
3. 在线可以修改pdf，没有搜到可以用的

下面开始化重点

**网站地址:** [在线批量替换PDF文字](https://www.douyacun.com/pdf/replace-text)

**微信小程序:** 「大宁宝箱」

![大宁宝箱](https://www.douyacun.com/images/blog/1/assert/daningbaoxiang.jpeg)

#### 操作步骤

第一步：选择上传PDF文件后，需要先输入文字在第几页，这一步是为了查找文字的位置，如下图输入：二叉树

![pdf文字替换-查找文字](/images/blog/1/tools/assert/pdf文字替换-查找文字.jpg)

> 注意：此功能是了批量替换PDF的关键词，所以不支持大段文字，换行文字匹配，不支持扫描版PDF替换文字，建议从PDF直接复制出文字来，这样可以更快确认文字是否存在

第二步：点击立即分析文字后会查找匹配文字信息，提取文字位置、颜色、字体、字体大小、角度信息

如果想要完全保证原有格式这一步的关键就是选择字体，部分情况下是无法获取到字体family信息，需要自己选择字体

接下来就是输入替换内容

![pdf文字替换-替换文字](/images/blog/1/tools/assert/pdf文字替换-替换文字.jpg)

> 如果PDF查找文字与替换文字的字数不一致会怎么样
>
> 第一种情况：字数一致，替换后的字对号入座，位置保持一致; 
>
> 第二种情况：替换的字数多，后面是空白会在空白添加多余的字，如果后面空白不足不会自动换行; 
>
> 第三种情况：替换的字数多，后面是其他文字，多出来的文字会替换后面的文字; 
>
> 第四种情况：替换的字数少，补空白;

第三步：点击立即替换，然后就可以预览替换后的效果，点击下载文件就可以将替换后的文件下载到本地

![pdf文字替换-结果预览](/images/blog/1/tools/assert/pdf文字替换-结果预览.jpg)

#### 更多PDF替换文字的效果

腾讯结算对账单PDF，我们替换收益0.75为123，共有2处数字会被替换

<img src="/images/blog/1/tools/assert/pdf文字替换-腾讯广告收益原图.jpg" alt="pdf文字替换-腾讯广告收益原图" style="zoom:40%;" />

<img src="/images/blog/1/tools/assert/pdf文字替换-腾讯广告收益替换.jpg" alt="pdf文字替换-腾讯广告收益替换" style="zoom:25%;" />

<img src="/images/blog/1/tools/assert/pdf文字替换-腾讯广告结算单效果.jpg" alt="pdf文字替换-腾讯广告结算单效果" style="zoom:40%;" />



怎么修改PDF里面的文字？操作简单、全文替换、免费无损无添加 - 大宁工作室

如何批量替换PDF里面的文字内容，编辑PDF文字，像word一样操作


网站地址：[https://www.douyacun.com/image/ocr-to-docx](https://www.douyacun.com/image/ocr-to-docx)

**功能特点：**

1. 识别图片上的文字
2. 按照图片文字样式进行格式化
3. 导出为word文档
4. 2算法实现：googel-tesseract-ocr / easyocr
5. 借助开源库实现，功能免费

**背景：**

几天前媳妇给了我一张图片，让我把图片上的内容导出来为可以编辑，识别图片文字的软件有挺多的了，不过能相对格式化的不多，借这次东风就顺便了解了一下文字识别（OCR）相关的技术，经过一段时间摸底之后找到了3种比较靠谱的方式

最先接触到的第一个开源工具Tesseract，大家说的比较多是Tesseract对于中文不是很友好，识别率不高。在我多次调试配置之下发现他们都是没有用心学习Tessract，实践下来发现：中文识别率较高，中文标点准确。cpu识别速度可以接受。

第二个了解到的工具请教了一下搞算法的同学，他告诉我用百度云的接口，中文识别率较高，速度快，API可享每天1000次免费调用，对于我来说尝鲜足够了。要是做成一个功能就比较费钱了。

第三个工具是在逛Github途中发现的，easyocr，尝试下来总结：中文识别  率较高，中文符号识别率不高，有人提过issue，作者也在3.0.1的版本进行了修复，实验了几次还是不准。CPU速度较慢，没有GPU所以没有尝试GPU的速度如何。

测试用例1:

![douyacun-tesseract-测试](/images/blog/1/tools/assert/tesseract-demo1.png)

Tesseract-or识别结果：

![douyacun-免费文字识别](/images/blog/1/tools/assert/tesseract-demo1-result.png)

**技术实现：**

- tesseract-ocr（40.4k star）: https://github.com/tesseract-ocr/tesseract  c++ 语言实现
  - pytesseract（3.7k star）: https://github.com/madmaze/pytesseract  python对tesseract-ocr的包装
  - goesseract （1.5k star）：https://github.com/otiai10/gosseract go语言对tesseract-ocr的包装
- easyocr （1.7k star）: https://github.com/JaidedAI/EasyOCR python语言实现

最终选择 pytesseract + easyocr 来实现的功能，2个包都是python实现，可以多一种替代方案。python-docx来保存docx

easyocr 返回的只是bbox位置信息

```json
([[462, 162], [1376, 162], [1376, 264], [462, 264]], '会议签到小程序 MRD 文档', 0.6382400515609702)
# （左上 右上 左下 右下），内容，可信度
([[177, 473], [435, 473], [435, 539], [177, 539]], '1.行业背景', 0.8461557775997883)
```

判断上下2行文本是否属于同一行的内容就需要根据bbox x、y信息判断。

而pytesseract 提供了hocr的方式，Block/TextBlock/line 可以比较方便判断是否为同一段落的内容，甚至可以区分左右分页段落

```xml
<ComposedBlock ID="cblock_0" HPOS="467" VPOS="175" WIDTH="900" HEIGHT="75">
  <TextBlock ID="block_0" HPOS="467" VPOS="175" WIDTH="900" HEIGHT="75">
    <TextLine ID="line_0" HPOS="467" VPOS="175" WIDTH="900" HEIGHT="75">
      <String ID="string_0" HPOS="476" VPOS="175" WIDTH="133" HEIGHT="75" WC="0.93" CONTENT="会"/><SP WIDTH="15" VPOS="175" HPOS="609"/>
      <String ID="string_1" HPOS="624" VPOS="176" WIDTH="51" HEIGHT="70" WC="0.92" CONTENT="议"/><SP WIDTH="30" VPOS="176" HPOS="675"/>
      <String ID="string_2" HPOS="705" VPOS="177" WIDTH="116" HEIGHT="72" WC="0.88" CONTENT="签到"/><SP WIDTH="7" VPOS="177" HPOS="821"/>
      <String ID="string_3" HPOS="828" VPOS="177" WIDTH="105" HEIGHT="72" WC="0.95" CONTENT="小"/><SP WIDTH="5" VPOS="177" HPOS="933"/>
      <String ID="string_4" HPOS="938" VPOS="171" WIDTH="108" HEIGHT="106" WC="0.91" CONTENT="程序"/><SP WIDTH="-7" VPOS="171" HPOS="1046"/>
      <String ID="string_5" HPOS="1039" VPOS="191" WIDTH="154" HEIGHT="50" WC="0.91" CONTENT="MRD"/><SP WIDTH="25" VPOS="191" HPOS="1193"/>
      <String ID="string_6" HPOS="1218" VPOS="176" WIDTH="149" HEIGHT="73" WC="0.96" CONTENT="文档"/>
    </TextLine>
  </TextBlock>
</ComposedBlock>
```

- HPOS: 横向距离 X轴
- VPOS: 竖向距离 Y轴
- WIDTH: 宽度
- HEIGHT: 高端

使用这4个参数可以计算出像bbox一样的位置信息。

相应的代码实现在github：https://github.com/douyacun/ocr-to-docx



识别图片上的文字，格式化导出word