
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

如何识别图片文字格式化导出为word




**在线网站地址：[https://www.douyacun.com/pdf/remove-watermark](https://www.douyacun.com/pdf/remove-watermark)**

**步骤：**

**第一步：**选择文件

![https://www.douyacun.com/pdf/remove-watermark](/images/blog/1/tools/assert/image-20210519200853413.png)

**第二步：**处理图片水印，点击分析文档，此步骤会分析文档中的疑似水印的图片，对与确认是水印的会标记删除，这一步需要确认以免误删或遗漏

![https://www.douyacun.com/pdf/remove-watermark](/images/blog/1/tools/assert/image-20210519201012631.png)

**第三步：**处理文字水印，可以打开文档，尝试选中

![https://www.douyacun.com/pdf/remove-watermark](/images/blog/1/tools/assert/image-20210519201401006.png)

如果可以像下图一样选中文字，可以确定这是文字水印，如下图，需要在填写框中填写粘贴上面的文字： ”微信扫码关注公众号，免费下载更多学习资料“

![https://www.douyacun.com/pdf/remove-watermark](/images/blog/1/tools/assert/image-20210519201601685.png)

**第四步：**点击清理文档，清理完成后，点击下载文档即可



支持去除PDF文档中的 图片/文字/矩阵 水印

pdf文档去水印_remove_watermark


网址：https://www.douyacun.com/pdf/delete-text

微信小程序：搜索 「**大宁宝箱**」



步骤概览

- 第一步：选择文件，上传文件
- 第二步：选择页面，分析文字
- 第三步：选择文字，删除文字
- 第四步：预览成果，下载文件

优势

- PDF删除文字速度快，准确度高
- 支持删除单页/整本文字
- 结果预览

问题：

- 无法精准删除，不影响其他位置、其他页面（努力优化）
- 第三步识别的文字  字体、颜色 信息无法展示 （后续优化）
- 点击选择文字时会选中多处？（后续优化）
- 只想删除某页的文字，整本内容都删除了？



##  第一步：选择文件

支持拖拽文件上传

![pdf删除文字-选择文件](/images/blog/1/tools/assert/pdf删除文字-选择文件.png)

文件上传完成后需要选择第几页来分析文字，如下图：

## 第二步：选择页面、分析PDF文字

![pdf删除文字-分析文字](/images/blog/1/tools/assert/pdf删除文字-分析文字.png)

> 选择第几页是为了快速分析文字，如果分析整本PDF会可能占用多的资源和时间

点击立即分析之后会提取第N页的文字内容，这里可以会提取文字字体编码、大小，后续会分析文字颜色，如下图：

![pdf删除文字-点击选中](/images/blog/1/tools/assert/pdf删除文字-点击选中.png)

这里有2种情况：

1. 每个字单独分开，如上
2. 几个字拼在一起，点击会全部删除

##  第三步：选择删除文字

点击文字选中需要删除的文字，会有中划线标记需要删除的文字，如上图。

问题：**点击选择文字时会选中多处？（如上图红线标记的地方）**

> PDF删除文字是通过匹配字体编码的方式进行删除的，如果是相同字体相同长度的文字，那选中的都会被删除掉
>
> 后续优化！



问题：**只想删除某页的文字，整本内容都删除了！**

> 这种情况多见于文字水印，PDF为了减小体积，对于相同的内容是可以以引用的方式加载
>
> 这里多半情形无需优化！

 

## 第四步：成果预览、下载文件

下方是原图和删除文字后的对比图，第二张是第四步成果预览的截图。

<img src="/images/blog/1/tools/assert/pdf删除文字-原文件.png" alt="pdf删除文字-原文件" style="width:40%;text-align:left" />

<img src="/images/blog/1/tools/assert/pdf删除文字-成果预览.png" alt="pdf删除文字-成果预览" style="zoom:40%;" />


如何快速在线 删除/清除/去除/隐藏 pdf文字字符串


**如何去除亿图图示/亿图脑图导出的pdf水印？**

> 亿图软件可让您轻松绘制流程图，思维导图，信息图，组织架构图，网络拓扑图，户型图，电路图等210种绘图类型，但是导出pdf是有水印存在的。

去除之后的pdf保留原有格式，无其他水印嵌入，多页也可以轻松去除，另外还可以去除 wps非会员水印、wps pdf编辑试用-非会员水印、迅捷pdf会员、扫描全能王 创建、亿图图示水印、夸克扫描王 等其他水印

![如何去除亿图脑图pdf水印步骤](/images/blog/1/tools/assert/如何去除亿图脑图pdf水印步骤.jpg)



**方法一：使用网站去除pdf水印** - [pdf去除水印-专业版](https://www.douyacun.com/pdf/remove-watermark)

**方法二：微信小程序去除pdf水印 - 「大宁宝箱」**

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

步骤都是一样的：

1. 选择pdf文件
2. 分析pdf文件
3. 预览或下载去除水印后的pdf文件



下方是操作步骤的截图：

第一步：打开网站 [pdf去除水印-专业版](https://www.douyacun.com/pdf/remove-watermark) 选择文件上传文件

![如何去除亿图图示pdf水印-选择文件](/images/blog/1/tools/assert/如何去除亿图图示pdf水印-选择文件.jpg)

第二步：分析pdf文件，这一步会分析pdf文件中的文字水印、图片水印、图形水印，并自动展示是水印的图片，如下图，网站可以很快的就分析出亿图脑图的图片水印

![如何去除亿图图示pdf水印-分析文件](/images/blog/1/tools/assert/如何去除亿图图示pdf水印-分析文件.jpg)

第三步：立即清理pdf水印，支持多页pdf去除水印，并可以预览去除结果，pdf亿图脑图的水印去除的很干净

![如何去除亿图图示pdf水印-预览下载文件](/images/blog/1/tools/assert/如何去除亿图图示pdf水印-预览下载文件.jpg)



如果对您有帮助，感兴趣的小伙伴可以关注微信公众号「大宁工作室」


简简单单就可以去除亿图图示pdf水印

如何去除亿图图示pdf水印，简单一招搞定


大家如何去除 wps word导出来的pdf文件水印  "WPS PDF编辑试用" ,

![WPSPDF编辑试用](/images/blog/1/tools/assert/WPSPDF编辑试用.png)



一、通过网站去除"WPS PDF编辑试用"水印

1. 打开网站: https://www.douyacun.com/pdf/remove-watermark

2. 选择PDF文件，分析PDF文件，勾选 `WPS PDF编辑试用` 水印图片

![勾选WPSPDF编辑试用.png](/images/blog/1/tools/assert/勾选WPSPDF编辑试用.png)

3. 预览去除"WPS PDF编辑试用"水印的效果，点击下载文件即可

![预览WPSPDF编辑试用.png](/images/blog/1/tools/assert/预览WPSPDF编辑试用.png)

二、PDF工具箱使用教程

下载地址：

mac: [https://www.douyacun.com/s/pdftools](https://www.douyacun.com/s/pdftools)

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

选择文件

图片水印：勾选“WPS PDF编辑试用”水印图片

![pdf工具箱-WPSPDF编辑试用.png](/images/blog/1/tools/assert/pdf工具箱-WPSPDF编辑试用.png)

文字水印：搜索并选中文字水印，取消其他不是水印的文字

预览保存：

![pdf工具箱-WPSPDf编辑试用-预览保存.png](/images/blog/1/tools/assert/pdf工具箱-WPSPDf编辑试用-预览保存.png)

PDF工具箱专业去除'wps pdf编辑试用'