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 ocr 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

一年多不逛cnode了，回来看看，顺便分享这个demo，也是这几天开发的。