Zotero-OCR 使用\安装指南

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

所需软件内容整理

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