全球主机交流论坛

标题: 利用轻量服务器搭建pdf在线工具箱(支持OCR!!!支持OCR!!!) [打印本页]

作者: lixiaofei 时间: 2021-9-17 00:22
标题: 利用轻量服务器搭建pdf在线工具箱(支持OCR!!!支持OCR!!!)
本帖最后由 lixiaofei 于 2021-9-17 00:28 编辑

和昨天发的不一样！！！！今天发的这个支持OCR!!!!!

前两天需要压缩一个pdf文件，由于pdf中涉及到了一些个人信息，不想使用在线的网站的压缩。下载了几个离线的压缩工具，大部分居然都需要收费，虽然后来找到了一个免费的工具搞定了这件事，不过想到后面可能还会碰到这样的事情，因此萌生了自己做一个在线压缩pdf的网站的想法。查阅了相关资料，最后借助ghostscript 实现了我的需求，等于是站在巨人的肩膀上吧。不过有mjj觉得网站功能太单调了，还有mjj想要OCR的功能，我看了一下ghostscript的文档，发现ghostscript是支持OCR的，那还等什么，集成就完事了。如果mjj们觉得有用的话，给我的github仓库https://github.com/lixiaofei123/pdftoolbox点一个star吧。由于新的工具网站不仅仅是只支持pdf压缩，现在也支持OCR，后面可能还会增加别的功能，因此我将原来的pdfcomress仓库换成了pdftoolbox(PDF工具箱)。

下面是新版PDF工具箱的首页

先说安装。首先要安装PDF工具箱，肯定要购买一台服务器，这里我强烈推荐腾讯云的轻量服务器，目前还在秒杀活动，2C4G的配置一年只需要74元。秒杀地址我就不放了，相信mjj们都可以找到

然后选择【地域】和【镜像】，【地域】选择距离自己最近的，【镜像】选择Docker，当然如果自己会安装docker的话，也可以尝试自己安装。我这里为了方便，就直接选择自带的docker镜像了

购买了服务器以后，然后配置密钥之类的，再用ssh终端工具连接上。这些就不讲了，相信mjj们比我熟悉。这里我假设mjj们已经安装好了docker环境。

我把程序打包成了Docker镜像,每次提交都用github action自动构建Docker镜像并自动push到docker仓库里。如果mjj们还不放心的话，可以访问我的github仓库https://github.com/lixiaofei123/pdftoolbox，里面有dockerfile，可以自行构建镜像。

用docker安装，那自然是十分简单，几行命令就搞定了

mkdir -p /data/pdftoolbox/input
mkdir -p /data/pdftoolbox/output
docker run -d --name pdftoolbox --restart=always -p 8082:8082 -v /data/pdftoolbox/input:/opt/pdftoolbox/input -v /data/pdftoolbox/output:/opt/pdftoolbox/output mrlee326/pdftoolbox

其中/opt/pdftoolbox/input是用来放置用户上传文件的目录，/opt/pdftoolbox/output是用来放转换后的文件的目录，建议将其挂载在宿主机上，这样就方便后面清理文件了。有能力的话，可以自己写一个定时脚本来清理过期的文件。

如果上面执行没有报错的话，那么基本上就已经启动成功了，此时访问ip:8082就可以看到首页了。

先来试用一下pdf压缩功能。在低质量模式下，可以将pdf的体积压缩到原来的1/4大小。

pdf压缩主要针对的是包含图片比较多的pdf，如果原pdf中基本上都是文字的话，那么压缩的效果就不太理想。因为基本上没压缩的空间了。

再来试一下OCR功能，我是从专利网上随便下载了一个pdf进行测试的。这个功能同样是基于ghostscript来实现的。先激活【PDF文字提取】选项，然后根据需要来选择额外支持的语言，目前内部默认支持简体中文和英文，因此基本上不需要选择。点击上传文件，就会自动进行转换，如果机器的性能比较低的话，这一步可能会比较慢，请耐心等待几分钟。等下面的进度条全部走完，并出现【点击下载】按钮，说明转换完毕，这时候点击下载即可。

如果需要配置HTTPS的话，相信这么简单的东西，mjj自己都会配置，我就不班门弄斧了。通过上面的过程，我们就有了一个属于自己的在线pdf压缩网站，这样也不用担心自己的个人信息被别人保存，同时更换电脑的话也不需要重新安装软件。

作者: 马博士 时间: 2021-9-17 00:26
技术帖顶

作者: GoogleCloud 时间: 2021-9-17 00:27
Mark一下

作者: h20 时间: 2021-9-17 00:28
提示: 作者被禁止或删除内容自动屏蔽

作者: lixiaofei 时间: 2021-9-17 00:28
居然可以发链接了，感动

作者: lixiaofei 时间: 2021-9-17 00:29
冲啊让阅读量上1000

作者: b66667777 时间: 2021-9-17 00:29
支持一下

作者: Nnag 时间: 2021-9-17 00:30
冲啊

作者: greencloudvps 时间: 2021-9-17 00:30
支持一下

作者: lixiaofei 时间: 2021-9-17 00:30

h20 发表于 2021-9-17 00:28
很遗憾的告诉你，我用QQ来OCR

这么巧，我也是

作者: W4ter 时间: 2021-9-17 00:32
我猜你下一个应该要发webrtc70吧

作者: 我是坏虫 时间: 2021-9-17 00:32
提示: 作者被禁止或删除内容自动屏蔽

作者: lskz 时间: 2021-9-17 00:39

我一般是直接转word了

作者: lixiaofei 时间: 2021-9-17 00:40

W4ter 发表于 2021-9-17 00:32
我猜你下一个应该要发webrtc70吧

说起这个，去年编译webrtc编译到吐血。

作者: 告辞 时间: 2021-9-17 00:50
大佬是个好人，usage从买服务器开始教，还不放aff

作者: lixiaofei 时间: 2021-9-17 00:55

告辞发表于 2021-9-17 00:50
大佬是个好人，usage从买服务器开始教，还不放aff

mjj都人手轻量服务器了

作者: 用户 时间: 2021-9-17 02:08
后排支持

作者: 无时崩溃 时间: 2021-9-17 07:59
后排支持

作者: yy520 时间: 2021-9-17 08:05
晚点搭个来玩玩

作者: 所長 时间: 2021-9-17 08:15
技术贴mark一下

作者: FreeDog 时间: 2021-9-17 08:24
离线压缩……adobe不香吗…… 没搞懂

作者: qqab 时间: 2021-9-17 08:25
我是用wps 来ocr

作者: dollaring 时间: 2021-9-17 08:32
感谢分享，把成品发出来看看啊

作者: lixiaofei 时间: 2021-9-17 08:50

dollaring 发表于 2021-9-17 08:32
感谢分享，把成品发出来看看啊

在论坛里发自己的地址，怕有大佬教我做人

作者: littlemjj 时间: 2021-9-17 08:51
感谢分享，智齿

作者: lixiaofei 时间: 2021-9-17 10:15
dd

作者: lixiaofei 时间: 2021-9-17 14:57

作者: 含风 时间: 2021-9-17 16:12
我一般用TIM来OCR

作者: lixiaofei 时间: 2021-9-17 17:33

含风发表于 2021-9-17 16:12
我一般用TIM来OCR

tim可以用来识别pdf吗，没用过，qq好像只能图片。

作者: 小穴儿 时间: 2021-9-17 19:37
大佬 docker有arm64的码？

作者: lixiaofei 时间: 2021-9-17 19:47

小穴儿发表于 2021-9-17 19:37
大佬 docker有arm64的码？

没有，可以自己构建。仓库里那个gs应该要换成arm版本的

作者: tianzi1981 时间: 2021-9-18 10:47
甲骨文ARM新用法?

作者: lixiaofei 时间: 2021-9-18 10:53

tianzi1981 发表于 2021-9-18 10:47
甲骨文ARM新用法?

刚申请的信用卡，到时候我也搞一个arm的免费机器

作者: 小学生 时间: 2021-9-18 14:56
不明白评论里为什么这么多阴阳怪气的人，楼主分享自己的东西，你们用得到就用，用不到可以不回复，非要秀一下自己的优越感？这样的人越多，论坛以后大神越少

作者: yl1677866238 时间: 2021-9-18 15:12
OCR当然要用ABBYY

作者: occ 时间: 2021-9-18 15:59
好东西，支持一下

作者: 乌拉擦 时间: 2021-9-18 16:03
流弊，感觉还可以

作者: lixiaofei 时间: 2021-9-19 12:40

occ 发表于 2021-9-18 15:59
好东西，支持一下

谢谢

欢迎光临全球主机交流论坛 (https://mjj.022333.xyz/)