在扫描版 PDF 中查找内容

扫描版的 PDF 都是图片，在里面查找内容是不可能的。所以「在扫描版 PDF 文档中查找内容」这个问题可以拆解为两部分：一是识别 PDF 中的文字，二是搜索里面的内容。

安装软件 #

开始教程之前，先安装好需要的软件：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

# OCRmyPDF
sudo apt install ocrmypdf

# 语言支持
sudo apt install tesseract-ocr-eng \
tesseract-ocr-chi-sim

# pdftotext
sudo apt install poppler-utils

# VS Code
# 这个得到官网下载：https://code.visualstudio.com/

识别文字 #

首先，我们要用 OCR¹ 技术来识别 PDF 中的文字。有很多 OCR 软件，我用的是 OCRmyPDF。接下来用余光中译的《老人与海》作为例子。

1. 识别 PDF 文档中的文字

   1	ocrmypdf -l eng+chi_sim 老人与海-余光中.pdf 老人与海-余光中-ocr.pdf

2. 把识别后 PDF 转换成纯文本

   1	pdftotext 老人与海-余光中-ocr.pdf

搜索文字 #

中文 #

《老人与海》第三段 除了眼睛，他身上处处都显得苍老。可是他的眼睛跟海水一样颜色，活泼而坚定 在 老人与海-余光中-ocr.txt 里面是这样的：

1
2
3
4

除了 眼睛, 他 身上 处 处 都 显得 苍老.可 是他 的眼睛 跟 海 水一
样 颜色 , 活

涛 而 坚定 。

可见文字识别的效果实在不太行，不仅有错字，还有多余的空格和换行。直接搜索想找的内容肯定是不行的，但是正则表达式就可以。先观察一下上面那段文字，有文字、空格和换行符，共 58 个字符。所以我们要查找带有包含文字、空格和换行的组合。

使用 VS Code 查找：

1

[除了眼睛，他身上处处都显得苍老。可是他的眼睛跟海水一样颜色，活泼而坚定 \n]{10,}

结果：

1
2
3

一 样苍老 。
除了 眼睛, 他 身上 处 处 都 显得 苍老.可 是他 的眼睛 跟 海 水一
样 颜色 

把结果复制到 WPS PDF 搜索，就可以找到第三段文字了。注意，不推荐用 grep 搜索，grep 只能搜索一行字符。

英文 #

第三段的英文 Everything about him was old except his eyes and they were the same color as the sea and were cheerful and undefeated. 在 老人与海-余光中-ocr.txt 里面是这样的：

1
2

Everything about him was old except his eyes and they were
the same color as the sea and were cheerful and undefeated.

看来识别效果挺好的，内容正确。单词间的都是空格或者换行符。使用 VS Code 查找：

1

Everything(\n| )*about(\n| )*him(\n| )*was(\n| )*old(\n| )*except(\n| )*his(\n| )*eyes(\n| )*and(\n| )*they(\n| )*were(\n| )*the(\n| )*same(\n| )*color(\n| )*as(\n| )*the(\n| )*sea(\n| )*and(\n| )*were(\n| )*cheerful(\n| )*and(\n| )*undefeated\.

（把 Everything about him was old except his eyes and they were the same color as the sea and were cheerful and undefeated. 的空格代替为 (\n| )*，再在句号前加上反斜杠，这样就得到上面的表达式了。）

结果：

1
2

Everything about him was old except his eyes and they were
the same color as the sea and were cheerful and undefeated.