不用辨識軟體--超大文字掃描圖形檔(pdf)中文辨識(OCR)攻略--pdf大檔的拆解、合併及壓縮

　　曾經寫過〔辨識－－好用的手機APP Google Translate；及網頁Google文件〕這篇文章介紹一點辨識的方法。但若pdf的檔案太大就不能傳到google硬碟辨識了（轉換 Google 文件，大小上限則是 50 MB。）。
　　今天接到幾百Mb（有的有1Gb）的檔案，當然是不行囉！
　　先是用手機拍照→google翻譯的辨識方法，但有些操作不便（要換頁、拍照、辨識後轉貼寄出），而且速度又慢，於是想辦法解決它。最後終於找到了解決的方法☺


1.安裝imagemagick：
　　＃sudo apt-get install imagemagick
2.將圖形pdf轉ppm
　　＃pdftoppm a.pdf a (將a.pdf拆為一張張ppm圖檔)
3.將多頁ppm轉pdf
　　＃convert a-0?.ppm a-1?.ppm a-0.pdf (將a-0及a-1開頭的所有ppm,依檔案名稱順序合併成一個pdf檔)
4.將大pdf檔壓縮為小檔案(安裝Ghostscript)
　　# gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dPDFSETTINGS=/printer -dNOPAUSE -dQUIET -dBATCH -sOutputFile=a-0T.pdf a-0.pdf (將a-0.pdf檔壓縮為較小檔案a-0T.pdf)

5.將轉好的pdf檔傳到Google硬碟。
6.傳上去後，按右鍵，選擇使用google文件開啟，等一下了就幫你辨識好了。
7.按[Ctrl+A]全選，複製貼到文字檔，OK
＝＝＝＝＝＝
附註1：若是pdf本來就是文字格式轉成的，那麼直接轉換即可
　　＃pdftotext a.pdf a.txt
＝＝＝＝＝＝
附註2：網路上有人介安裝tesseract辨識軟體，經測試結果，英文沒問題，中文則不管橫式或直式都不行（橫式中文效果稍好，但還是不行），方法如下：
1.安裝：
　　＃sudo apt-get install gocr
　　＃sudo apt-get install tesseract-ocr
　　＃sudo apt-get install libtiff-tools
2.安裝tesseract-ocr後，到synaptic安裝語言包
（或到官網上下載中文語言包，比如繁體的就是chi_tra（簡體chi_sim)，然後加入到一個環境變量中
　　＃sudo mv chi_tra.traineddata /usr/local/share/tessdata
　　＃export TESSDATA_PREFIX=/usr/local/share/
3.執行辨識
　　＃tesseract a1.ppm a1.txt -l chi_tra
（若發生錯誤訊息，則登出再登入，即可執行）