欢迎转载，作者：Ling，注明出处：Ling APP：批量OCR及双层PDF制作工具BDO(Batch Document OCR)

由于写东西有的时候希望可以将扫描版书中内容复制出来，所以需要制作双层PDF，无奈现在工具要么识别慢，要么收费极其高，于是我自己做了一个软件，可以批量，多线程，快速OCR PDF，保存成双层PDF文件。

双层PDF：如果还不知道什么是双层PDF是什么可以看看老马的帖子：

目前期刊、论文、标准通常以PDF格式发布，这些PDF可以分为以下几种：

一、扫描版PDF
这种PDF直接把扫描图像打包成PDF，又称“图像版PDF”。
好处是：
1、完整保留原始格式与内容，看到的内容与原文是一样的。
2、制作容易、来源广泛。
坏处是：
1、如果是纯图像版，不能进行检索、复制，用起来会很麻烦。
2、扫描质量参差不齐，效果如何要看运气。
3、制作技术参差不齐，很多时候要进行二次处理，包括背景透明、OCR等。
4、放大、打印的时候会有锯齿。

二、双层PDF版
这种PDF是在扫描版PDF的基础上，进行OCR（光学字符识别，即用软件把扫描图像识别成文字），然后把OCR出来的文字做成透明文字层，蒙到原始扫描图像层上，所以称为“双层PDF”。与纯扫描版PDF相比，这种PDF可以进行文字检索、复制、导出，因此又被称为“可检索扫描PDF”。目前网上流传的大部分科技文献都是这种类型的PDF。
好处是：
1、眼睛看到的是扫描图像层，因此只要原文没有错，看到的东西就不会有错。
2、可以用眼睛看不见的隐藏文字层进行搜索、复制、导出。
坏处是：
1、文件长度略大，毕竟需要存储图像、文字信息。
2、搜索、复制、导出结果完全依赖于OCR结果。我个人感觉，科技文献的OCR效果都不会太好，所以眼睛看到有某个词，搜索的时候却没有；或者眼睛看到的内容是正确的，想引用的时候却发现复制、粘贴出来的内容错字连篇，也没啥好惊讶的——全是OCR惹的祸，机器毕竟没有人聪明。
3、对某些字体、符号可能会出现位置不准的情况，所以用鼠标选择的时候，选中区域可能会与眼睛看到的文字位置不一致，这也是判断双层PDF的一个重要特征。

三、文字PDF
这种PDF是用原文直接转换出来的，而不是扫描出来的，因此与上面两种类型最根本性的区别是没有扫描图像。
好处：
1、文件长度相对比较小。
2、放大、打印都很清晰，看不到锯齿。通常最简单的用肉眼区别扫描版PDF与文字版PDF的办法就是放大到400%以上，看文字边缘有没有锯齿。
3、只要原文没有错，复制、搜索、导出就不会有错。尤其是某些比较细小的符号、文字，OCR结果多半胡说八道，文字版则不存在这样的问题。
坏处：
可遇不可求，毕竟要有原文才能制作出来。以标准为例，大概只有标准的起草、发行、出版等拥有原始电子文稿的单位才能出版文字版PDF，其他人拿到手的就是出版后的纸质文档，想电子化就只能靠扫描了。
当然也有个人制作的精美文字版，最出名的可能是Ken777用校对后的OCR文本制作的“精确版面还原”PDF，可以做到PDF与原版纸质书的页数、每页行数、每行字数一致，可以直接引用。

我个人也是比较推崇双层PDF，最主要的好处是：

1）可以搜索

2）可以复制，用于做笔记，写博客，做摘录

3）。。。自己发挥想象

目前制作双层PDF主要问题：

OCR太慢（其实准确率还是可以接受的），一本书得花个把小时才能搞定，效率低得惊人。

于是乎我自己开发了个自用软件，直接一行命令就可以批量进行识别转换，无需人工干预，准确率个人觉得和abbyy不相上下，最关键是，N多本扫描版pdf，一行命令，多线程批量全部转成双层pdf。速度比原来提高N倍。

下面给大家看看效果：

转换后的（2线程，150dpi，28本PDF，用了2个多小时，机器更好的话，开更多线程更快）：

对比图：

一本书中拷贝出文字的效果：

一本书同时生成txt和双层pdf的效果：

中英混合的效果：

个人已经很满意了，当然准确率没法100%，可以通过后期进行精校准解决。