批量图片OCR方案

需求：

简单实现大量图片文档内容提取。如提取ppt文案场景。

可行方案

使用word导入一批本地图片，另存为为pdf，然后使用开源软件Umi-OCR批量文档转换，可以实现生成双层可搜索pdf。

具体步骤

1. 准备好图片。

2. 使用工具批量下载这些图片，如nodejs

   • 执行npm init; npm install download;
   • 将图片数组[“1.jpg”, “2.jpg”]保存到data.json中
   • 创建 index.js

    const download = require("download")；
    const fs = require("fs");
    fs.readFile("./data.json", (err, res) => {
      // 图片网络地址，我这里是一个JSON数据，根据自己的需要进行修改
      res = JSON.parse(res);
      // 记录当前下载到第几项
      let index = 0;
      // 存储下载失败的图片链接地址
      let errorImageUrlList = [];
      // 递归函数，使用递归循环防止请求阻塞
      const downloadImages = async () => {
        if (index >= res.length) return;
        //如果不是JSON数据修改此
        let price = res[index];
        // let imgName = price.split('/')[price.split('/').length - 1];
        // 使用try抛出异常，防止因为一张图片下载失败，从而导致后面无法继续下载
        try {
          await download(price, `./images2`);
          await console.log(`第${index + 1}张图片下载成功`);
          await index++;
          await downloadImages();
        } catch {
          console.log("请求失败，当前下载到第" + index + "图片");
          errorImageUrlList.push(price);
          index++;
          downloadImages();
        }
      };
      downloadImages();
    });

   • 执行node index.js批量下载图片

3. 使用word，创建新文档，导入上述图片文件，另存为pdf

4. 下载Umi-OCR，选中批量文档，拖入pdf，选择输出目录，开始任务即可