如何减小tesseract生成的PDF的大小？

我的（网络）应用程序的设置如下：我获取用户上传的 PDF 文件，对它们运行 OCR 并向他们显示 OCRed PDF。由于一切都在线，因此最小化生成的 PDF 文件的大小是减少用户加载和等待时间的关键。

我从用户那里收到的文件是sample.pdf（我已经使用原始文件以及我在此处生成的文件创建了一个存档：https://dl.dropboxusercontent.com/u/1390155/tess-files/sample.zip https://dl.dropboxusercontent.com/u/1390155/tess-files/sample.zip）。我使用 tesseract 3.04 并执行以下操作：

gs -r300 -sDEVICE=tiff24nc -dBATCH -dNOPAUSE -sOutputFile=sample.tiff sample.pdf
tesseract sample.tiff sample-tess -l fra -psm 1 pdf

OCR 的结果很好，但生成的 PDF 的大小现在约为 2.5 倍

• 原始pdf文件大小：60k
• 最终pdf大小：147K

那么请问，如何在保留OCR结果的情况下减小生成的PDF的大小？

一个明显的解决方案是在生成 tiff 时降低分辨率，但我不想这样做，因为它可能会影响 OCR 结果。

我尝试的第二件事是使用 Ghostscript 来减小超立方体后的 PDF 大小：

gs -o sample-down-300.pdf   -sDEVICE=pdfwrite   -dDownsampleColorImages=true \
   -dDownsampleGrayImages=true   -dDownsampleMonoImages=true  \
   -dColorImageResolution=300   -dGrayImageResolution=300  \
   -dMonoImageResolution=300   -dColorImageDownsampleThreshold=1.0  \
   -dGrayImageDownsampleThreshold=1.5   -dMonoImageDownsampleThreshold=1.0 \
    sample-tess.pdf 

这有点帮助，生成的文件只有 101K，大约是原始文件的 1.5 倍。我可以接受这一点，但这似乎也会影响 OCR 结果。例如，“RESTAURANT”和“PIZZERIA”（第二行）之间的空白现在丢失了。

Ghostscript 的另一个（更简单的）选项，使用 ebook 参数，会产生一个 43k 文件，PDF 质量稍差，并且存在缺少空格的相同问题：

gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dPDFSETTINGS=/ebook \
    -dNOPAUSE -dBATCH  -dQUIET -sOutputFile=sample-ebook.pdf \
     sample-tess.pdf

PDF 质量稍差一点也不错，但我又不想在 OCR 上妥协。

我使用 PNG 和 JPEG 进行了其他测试，但 OCR 结果总是下降（甚至略有下降），并且生成的 PDF 并不小。例如，对于 PNG：

convert -density 300 sample.pdf -transparent white sample.png
tesseract sample.png sample-tess-png -l fra -psm 1 pdf

总计 (55.50) 缺失，最终 PDF 大小为 149k。

总而言之，这是我的问题：

• 有人可以解释为什么使用减小 PDF 的大小吗 Ghostscript 会影响 OCR 结果吗？我认为文本层和 图像层是独立的...
• 是否有可以提供的选项 tesseract 在生成时降低图像质量 PDF？
• 我读到其他解决方案（例如 ABBYY OCR）使用混合光栅化 内容 (MRC) 以减少文件大小。 tesseract 可以做到这一点吗 已经？如果没有，是否有一些开源或专有的 CLI 工具 这样做，我可以用它来减少 tesseract 生成的 PDF 文件？

再说一遍，只要用户可以搜索文本并选择它从 PDF 中复制/粘贴，我就可以牺牲 PDF 图像的质量（尽管理想情况下我希望保留颜色）。

非常感谢任何帮助！

问题1，我看不到任何“附加”到此的文件，所以我在黑暗中猜测。

PDF 中没有“文本层”或“图像层”，PDF 可能有层，但它们是独立的。文本和图像“按原样”嵌入到文件中。当然，将 PDF 渲染为 TIFF 图像的结果确实会生成单个图像文件。

原始 PDF 将使用字体将文本存储为文本，而 TIFF 文件会将整个文本呈现为图像。我不确定 tesseract 到底是如何工作的，并且没有它的输出示例，我无法确定，但我希望它所做的是将渲染图像完整地保留在输出 PDF 文件中，并使用渲染模式 3 添加文本（两者都不是）描边或填充，即不可见）。这就是您上面所描述的“MCR”。

这对您来说意味着原始 PDF 很小，因为大部分（也许全部）内容都被描述为矢量数据。生成的 TIFF 文件很大，因为它是整页位图，使用矢量表示所节省的成本已经丢失。然后将其转换为 PDF（仍然很大），然后将更多文本和字体添加到文档中，这当然只会增加其大小。

The only实际上，对该文件的大小产生重大影响的是减小位图图像（即用于创建最终输出 PDF 的 TIFF 文件）的大小。

在渲染为 TIFF 和 OCR 之前弄乱原始 PDF 文件似乎不太可能any与最终 PDF 文件大小的差异（注意；压缩可能效果更好，因为可能有更多“平坦”颜色区域）

如果没有看到原始文件和最终文件，我真的不能说更多，而且我无法自己测试它（我没有安装 Tesseract），但在我看来，唯一真正的解决方案是在创建最终输出 PDF 文件之前让 Tesseract 对图像进行下采样。