azure - Azure 计算机视觉为带有矢量图形的 pdf 返回垃圾

Question

Azure 计算机视觉 (OCR) API 返回已发送 pdf 片段的垃圾。Pdf 有一个可见的文本，比方说：4893759678但实际上它是矢量图形（不是文本）。

当我选择图形时，将其复制并粘贴到记事本中，它类似于：(85;9r?A>?EV. 对于 pdf 的某些部分，其中有带有数字的图像（光栅图形），它确实可以分析；它返回 ocr 文本。

如何修复它或如何指示 Azure 对矢量图形进行 ocr。我无法轻易更改 pdf。

标签： azureocr

Answer 1

谢谢KJ。发布您的建议作为帮助其他社区成员的答案。

您通常不能剪切和粘贴 pdf 的位，尤其是二进制文件，必须将整个文件解密、反汇编、解码重建为对象并将那些重新组装成页面，然后您可以复制页面的某些部分。OCR 是像素解剖分析和重建，因此应该是矢量的无损（非 jpg）像素图像

您可以参考Azure Read API for Vector PDFs、Optical character recognition Read API和How to extract images from PDF files using c# and itextsharp