Zotero-OCR 使用\安装指南
前言
ocr识别(扫描件识别功能)是针对没有识别或识别错误的PDF文件进行扫描件识别,从而更加方便的进行复制等操作。这项功能在WPS等软件中通常为付费功能,且 zotero 中的PDF文件需要先转出扫描后再重新导入,相对比较麻烦。偶然的机会在Zotero插件中发现此软件,但网上已有教程缺乏引导,基本为github简单中文翻译,对不熟悉电脑的朋友相对不友好,因此记录一下安装与使用过程,帮助有相似需求的朋友。
预备:软件
第一步:找到并下载Zotero-OCR插件
Zotero 插件商店 | Zotero 中文社区 (zotero-chinese.com)
能GitHub的同学自行前往即可
第二步:添加入Zotero 插件库
将下载好的后缀名为xpi的文件拖入插件库中
具体步骤:工具——附加组件——拖入框框中重启即可
第三步:安装Tesseract OCR
此程序为执行OCR的实际程序
https://github.com/UB-Mannheim/tesseract/wiki
第四步:下载Poppler
此插件依赖于pdftoppm工具来处理 PDF 图片
https://github.com/oschwartz10612/poppler-windows
下载位置
得到该压缩文件,解压至所需位置(看个人喜好,我是放在zotero软件的文件夹下)
第五步:中文(简体与繁体)识别包下载
https://github.com/tesseract-ocr/tessdata
在网页中按 Ctrl+f 搜索 chi 得到中文识别包
chi_sim.traineddata 为简体横排,ass=“nolink”>chi_sim_vert.traineddata ,多了一个vertical为竖排文本适用
chi_tra.traineddata 为繁体横排,ass=“nolink”>chi_tra_vert.traineddata,多了一个vertical为竖排文本适用
将该文件复制到安装好的Tesseract OCR文件夹中,位置为tessdata文件下,如果找不到位置,可以下载一个everything软件进行查看,搜索“tessdata”即可。
第六步:配置插件
打开zotero ocr 配置文件
工具——红框位置
第一次打开是这样,主要关注前三个空行
第一空需要填入下载好的Tesseract-OCR 应用软件地址,并且具体到exe文件(如果你是默认路径,可以不需要填写,插件会自动识别查找)
这里我还是用everything搜索tesseract.exe,复制完整路径与文件名
得到地址(我的是这样):C:\Program Files\Tesseract-OCR\tesseract.exe
第二空填入pdftoppm 软件,搜索pdftoppm
这里我选择了第二个,因为第一个路径是我的下载路径,过一会儿要删掉
填入后如下
第三空这里可以不填,默认为识别英文
应用篇:中文、英文扫描
注意:第三空如果空着,默认为英文识别
这里首先举例识别英文PDF,选择一个英文文献,右键OCR
弹出处理消息
等待后完成,此时的PDF会有一个OCR后缀
如果不想保留原文件,可勾选此项,直接覆盖掉原始文件
再举例中文文献
这里需要进入Zotero OCR设置面板,将语言更改为chi_sim
注意:这里需要根据文本内容选择合适的语言,参考上文,输入的语言为 . 前面的内容
chi_sim.traineddata 为简体横排,ass=“nolink”>chi_sim_vert.traineddata
,多了一个vertical为竖排文本适用 chi_tra.traineddata
为繁体横排,ass=“nolink”>chi_tra_vert.traineddata,多了一个vertical为竖排文本适用