Fehler beim Ausführen von OCR auf PDF in r

Question

Probieren OCR auf pdf in r und es gibt mir den Fehler. Nach dem Ausführen des Codes wird auch die Datei "i.txt" generiert, aber der Fehler wird immer noch angezeigt.

pdftoppm version 4.00 
Copyright 1996-2017 Glyph & Cog, LLC 
Usage: pdftoppm [options] <PDF-file> <PPM-root> 
    -f <int>   : first page to print 
    -l <int>   : last page to print 
    -r <number>  : resolution, in DPI (default is 150) 
    -mono    : generate a monochrome PBM file 
    -gray    : generate a grayscale PGM file 
    -freetype <string>: enable FreeType font rasterizer: yes, no 
    -aa <string>  : enable font anti-aliasing: yes, no 
    -aaVector <string>: enable vector anti-aliasing: yes, no 
    -opw <string>  : owner password (for encrypted files) 
    -upw <string>  : user password (for encrypted files) 
    -q    : don't print any messages or errors 
    -cfg <string>  : configuration file to use in place of .xpdfrc 
    -v    : print copyright and version info 
    -h    : print usage information 
    -help    : print usage information 
    --help   : print usage information 
    -?    : print usage information 
convert.exe: unable to open image '*.ppm': Invalid argument @ error/blob.c/OpenBlob/3146. 
convert.exe: no images defined `D:/PDF_OCR_File/test.pdf.tif' @ error/convert.c/ConvertImageCommand/3275. 
Tesseract Open Source OCR Engine v3.05.01 with Leptonica 
Error in fopenReadStream: file not found 
Error in findFileFormat: image file not found 
Error during processing. 
[[1]] 
[1] FALSE 

Warning messages: 
1: running command 'C:\Windows\system32\cmd.exe /c "D:/Software_for_PDF_OCR/xpdf-tools-win-4.00/bin64/pdftoppm.exe D:/PDF_OCR_File/test.pdf -f 1 -l 2 -r 600 ocrbook"' had status 99 
2: In shell(shQuote(paste0("D:/Software_for_PDF_OCR/xpdf-tools-win-4.00/bin64/pdftoppm.exe ", : 
    '"D:/Software_for_PDF_OCR/xpdf-tools-win-4.00/bin64/pdftoppm.exe D:/PDF_OCR_File/test.pdf -f 1 -l 2 -r 600 ocrbook"' execution failed with error code 99 
3: running command 'C:\Windows\system32\cmd.exe /c "D:/Software_for_PDF_OCR/ImageMagick-7.0.7-Q16/convert.exe *.ppm D:/PDF_OCR_File/test.pdf.tif"' had status 1 
4: In shell(shQuote(paste0("D:/Software_for_PDF_OCR/ImageMagick-7.0.7-Q16/convert.exe *.ppm ", : 
    '"D:/Software_for_PDF_OCR/ImageMagick-7.0.7-Q16/convert.exe *.ppm D:/PDF_OCR_File/test.pdf.tif"' execution failed with error code 1 
5: running command 'C:\Windows\system32\cmd.exe /c "D:/Software_for_PDF_OCR/Tesseract-OCR/tesseract.exe D:/PDF_OCR_File/test.pdf.tif D:/PDF_OCR_File/test.pdf -l eng"' had status 1 
6: In shell(shQuote(paste0("D:/Software_for_PDF_OCR/Tesseract-OCR/tesseract.exe ", : 
    '"D:/Software_for_PDF_OCR/Tesseract-OCR/tesseract.exe D:/PDF_OCR_File/test.pdf.tif D:/PDF_OCR_File/test.pdf -l eng"' execution failed with error code 1 
7: In file.remove(paste0(i, ".tiff")) : 
    cannot remove file 'D:/PDF_OCR_File/test.pdf.tiff', reason 'No such file or directory' 

Mein setwd() ist diese "D:/PDF_OCR_File"

Dies ist der Code, auf dem ich Fehler

dest <- "D:/PDF_OCR_File" 
myfiles <- list.files(path = dest, pattern = "pdf", full.names = TRUE) 

sapply(myfiles, FUN = function(i){ 
    file.rename(from = i, to = paste0(dirname(i), "/", gsub(" ", "", basename(i)))) 
}) 


myfiles <- list.files(path = dest, pattern = "pdf", full.names = TRUE) 




lapply(myfiles, function(i){ 

    shell(shQuote(paste0("D:/Software_for_PDF_OCR/xpdf-tools-win-4.00/bin64/pdftoppm.exe ", i, " -f 1 -l 2 -r 600 ocrbook"))) 
    # convert ppm to tif ready for tesseract 
    shell(shQuote(paste0("D:/Software_for_PDF_OCR/ImageMagick-7.0.7-Q16/convert.exe *.ppm ", i, ".tif"))) 
    # convert tif to text file 
    shell(shQuote(paste0("D:/Software_for_PDF_OCR/Tesseract-OCR/tesseract.exe ", i, ".tif ", i, " -l eng"))) 
    # delete tif file 
    file.remove(paste0(i, ".tiff")) 
}) 

Ich weiß nicht, wo es ist immer falsch, oder welchen Fehler ich mache. Jeder Vorschlag wird hilfreich sein, Danke.

Answer 1

Ich wette, Sie verwenden this für Ihren Code, haha? Ich habe eine Menge Probleme mit diesem Code sowie einige antiquierte Syntax gefunden.

Die Lösung, die ich habe kommen mit, ist dies:

dest <- "C:\\users\\YOURNAME\\desktop" 

    files <- list.files(path = dest, pattern = "pdf", full.names = TRUE) 

    sapply(files, FUN = function(a){ 
    file.rename(from = a, to = paste0(dirname(a), "/", gsub(" ", "", basename(a)))) 
     }) 

     files <- tools::file_path_sans_ext(list.files(path = dest, pattern = "pdf", full.names = TRUE)) 
    lapply(files, function(i){ 
     shell(shQuote(paste0("pdftoppm -f 1 -l 10 -r 70 ", i,".pdf", " ",i))) 
     }) 


    myppms <- tools::file_path_sans_ext(list.files(path = dest, pattern = "ppm", full.names = TRUE)) 
    lapply(myppms, function(y){ 
     shell(shQuote(paste0("magick ", y,".ppm"," ",y,".tif"))) 
     file.remove(paste0(y,".ppm")) 
     }) 

    mytiffs <- tools::file_path_sans_ext(list.files(path = dest, pattern = "tif", full.names = TRUE)) 
    lapply(mytiffs, function(z){ 
     shell(shQuote(paste0("tesseract ", z,".tif", " ",z))) 
     file.remove(paste0(z,".tif")) 
     }) 

Das erste Problem mit dem Code-Schnipsel GitHub ist, dass die Optionen beiden fehlenden Teile sind und an der falschen Stelle sind für CMD, zu verstehen, was Warum bekommst du das Hilfe-Menü? "ocrbook" ist der Name der Ausgabedatei (was schlecht ist, wenn Sie mehr als eine Datei erstellen möchten), also erhalten Sie eine PPM, PNG, welche Datei auch immer "ocrbook-000001.png" genannt wird. Das Problem mit der Funktion (i) in diesem Codeblock besteht darin, dass nach dem "originalpdfname.pdf.png" anstelle des Dateinamens gesucht wird, der "ocrbook-000001" konvertiert wurde. Ich habe das behoben, indem ich eine Funktion innerhalb einer Funktion erstellt habe, um die PNG-Dateien zu finden und sie in (z) einzufügen.

Tesseract [soll] PNG-Dateien einfach konvertieren, so dass ImageMagick nicht benötigt wird, um von einem PPM nach TIFF zu konvertieren. Verwenden Sie einfach xPDF, um das PDF in ein PNG zu konvertieren. Im Beispiel von GitHub ist die ImageMagick-Syntax jedoch veraltet. "convert" kollidiert anscheinend mit einem anderen CMD-Befehl, so dass es in späteren Iterationen zu "magick" geändert wurde. Siehe here. Aus Konsistenzgründen habe ich den Konverter im Beispiel trotzdem benutzt.

Eine andere Sache über dieses Codebeispiel ist, dass tesseract auf Englisch voreingestellt ist ... dies könnte etwas sein, das mit neueren Versionen erstellt wurde, so dass es nicht länger notwendig ist, "-l eng" anzugeben. Siehe here. "out" ist anscheinend der exportierte txt-Dateiname (nur rein aus Beobachtung), und Sie müssen den Pfad abziehen und ihn in einer Funktion verwenden, so dass er den ursprünglichen Dateinamen nachahmt und nicht jedes Mal überschreibt, wenn er ausgeführt wird OCR für eine neue Datei.