PDFtk（PDF Toolkit）介紹

 PDFtk 是一款免費、開源的 PDF 處理工具，支持在命令列中對 PDF 進行多種操作，如拆分、合併、加密、解密和檢查 PDF 文件屬性。

📌 PDFtk 安裝

Windows

  1. 下載並安裝 PDFtk Server：

    • 官網下載：PDFtk Server（Windows 版本）。

    • 安裝後，將 PDFtk 安裝目錄（如 C:\Program Files (x86)\PDFtk Server\bin）加入系統環境變數 PATH。

macOS / Linux

  • 在 macOS 或 Linux 上，通常可以透過 Homebrew 安裝：

    brew install pdftk-java

📌 PDFtk 基本使用方法

以下是一些常用的 PDFtk 指令和範例：

1. 檢查 PDF 屬性

  • 指令：

    pdftk yourfile.pdf dump_data

  • 範例：

    pdftk example.pdf dump_data

  • 效果：這會顯示 PDF 的基本屬性（頁數、加密狀態、標題、作者等）。

2. 分割 PDF

  • 指令：

    pdftk yourfile.pdf burst

  • 範例：

    pdftk example.pdf burst

  • 效果：將 PDF 內每一頁分割成獨立檔案。

3. 合併 PDF

  • 指令：

    pdftk file1.pdf file2.pdf cat output merged.pdf

  • 範例：

    pdftk page1.pdf page2.pdf cat output combined.pdf

  • 效果：將兩個 PDF 文件合併為一個。

4. 提取特定頁面

  • 指令：

    pdftk yourfile.pdf cat 1-3 output output.pdf

  • 範例：

    pdftk example.pdf cat 2-4 output extracted.pdf

  • 效果：從第 2 到第 4 頁提取，生成新 PDF。

5. 加密 PDF

  • 指令：

    pdftk yourfile.pdf output secured.pdf owner_pw your_password

  • 範例：

    pdftk example.pdf output secured.pdf owner_pw 1234

  • 效果：為 PDF 添加密碼保護（擁有者密碼）。

6. 檢查 PDF 是否是文字或影像型

雖然 PDFtk 無法直接判斷 PDF 是文字型還是影像型，但你可以結合指令進行檢測：

  • 指令：

    pdftk example.pdf dump_data | grep -i text

  • 說明：

    • 如果檔案是文字型 PDF，則應該會顯示與「文字」或「字型」相關的內容。

    • 如果是純影像型，則很可能不會有這類資料。

📌 更進階應用：批次處理

  • 如果你有大量 PDF 檔案要檢查或處理，可以使用 Bash 或批次檔：

    for file in *.pdf; do
      pdftk "$file" dump_data | grep -i text && echo "$file 是文字型 PDF" || echo "$file 是影像型 PDF"
done

  • 效果：此腳本會逐一檢查目錄下所有 PDF，並顯示每個檔案的類型。


進階應用：

使用 PDFtk 與 OCR 工具將影像型 PDF 轉為文字型 PDF

PDFtk 本身無法進行光學字符辨識（OCR），但可以與其他 OCR 工具（如 Tesseract）搭配來將影像型 PDF 轉為文字型 PDF。以下我將教你如何結合 PDFtk 和 Tesseract OCR 來實現這個功能。

📌 必備工具

  1. PDFtk（已安裝）

  2. Tesseract OCR

  3. Poppler（pdftoppm 和 pdftotext）

    • 用於將 PDF 頁面轉為影像格式，方便 OCR 處理。

    • Windows：從 Poppler for Windows 下載並設定 PATH。

    • macOS/Linux：

      brew install poppler

📌 PDFtk + Tesseract + Poppler：OCR 工作流程

  1. 使用 PDFtk 分割 PDF 頁面

  2. 將每頁 PDF 轉為影像格式（如 PNG）

  3. 使用 Tesseract OCR 將影像轉為文字

  4. 將 OCR 結果合併成文字型 PDF

📌 步驟詳解與範例

步驟 1：使用 PDFtk 分割 PDF

  • 假設我們有一個影像型 PDF 檔案：scanned_document.pdf。

  • 指令：

    pdftk scanned_document.pdf burst

  • 效果：這會將每一頁分割成單獨 PDF（pg_0001.pdf、pg_0002.pdf...）。

步驟 2：將 PDF 頁面轉為影像格式

  • 使用 pdftoppm 將分割的 PDF 頁面轉為 PNG 影像。

  • 指令：

    pdftoppm pg_0001.pdf page_0001 -png

  • 效果：這會將 PDF 第一頁轉成影像檔 page_0001.png。

步驟 3：使用 Tesseract 進行 OCR

  • 對影像檔執行 OCR：

    tesseract page_0001.png page_0001_ocr -l eng --dpi 300 pdf

  • 解釋：

    • -l eng：使用英文語言庫（可更改為其他語言）。

    • --dpi 300：設定 DPI 為 300，提升識別效果。

    • pdf：輸出格式為 PDF。

  • 效果：產生 page_0001_ocr.pdf，這是已進行 OCR 的文字型 PDF。

步驟 4：合併所有 OCR PDF

  • 如果你有多頁 PDF，可以將它們合併為單一 PDF：

    pdftk page_0001_ocr.pdf page_0002_ocr.pdf cat output final_ocr_document.pdf

  • 效果：這會將所有 OCR 處理過的頁面合併成一個完整的文字型 PDF。

📌 自動化腳本（進階）

如果你需要處理大量 PDF，可以考慮使用 Bash 腳本（Linux/macOS）或批次檔（Windows）來自動化流程。

範例：Bash 腳本

#!/bin/bash

# 檢查是否提供 PDF 檔名
if [ -z "$1" ]; then
  echo "請提供 PDF 檔案名稱。"
  exit 1
fi

# 變數設置
input_pdf="$1"
output_pdf="ocr_$1"
mkdir temp_ocr

# 使用 PDFtk 分割 PDF
pdftk "$input_pdf" burst output temp_ocr/page_%04d.pdf

# 將每一頁進行 OCR
for file in temp_ocr/*.pdf; do
  page=$(basename "$file" .pdf)
  pdftoppm "$file" temp_ocr/$page -png
  tesseract temp_ocr/${page}-1.png temp_ocr/${page}_ocr -l eng --dpi 300 pdf
done

# 合併所有 OCR 頁面
pdftk temp_ocr/*_ocr.pdf cat output "$output_pdf"

# 清理暫存檔
rm -rf temp_ocr
echo "OCR 完成，輸出檔：$output_pdf"

  • 如何使用：

    1. 將上述腳本儲存為 ocr_pdf.sh。

    2. 賦予可執行權限：


      chmod +x ocr_pdf.sh

    3. 執行腳本：


      ./ocr_pdf.sh your_scanned_document.pdf

  • 效果：會自動將你的影像型 PDF 轉為文字型 PDF，並輸出為 ocr_your_scanned_document.pdf。

📌 這樣的腳本應用優點

  • 可處理大量 PDF。

  • 可輕鬆改成批次檔（Windows）。

  • 可調整 Tesseract 語言庫，支援多語言 OCR（如繁中、簡中）。


📌 Windows 批次檔：PDFtk + Tesseract OCR 自動化

📌 檔案名稱：OCR_PDF.bat

這個批次檔會自動：

  1. 使用 PDFtk 分割 PDF 頁面。

  2. 使用 Poppler 將每頁轉為 PNG 影像。

  3. 使用 Tesseract OCR 進行辨識。

  4. 合併所有 OCR 頁面為文字型 PDF。

📌 批次檔內容

@echo off
setlocal enabledelayedexpansion

:: 檢查 PDFtk, Tesseract, 和 Poppler 是否已安裝
where pdftk >nul 2>&1 || (echo PDFtk 未安裝，請確認已安裝並設定環境變數 & exit /b)
where tesseract >nul 2>&1 || (echo Tesseract 未安裝，請確認已安裝並設定環境變數 & exit /b)
where pdftoppm >nul 2>&1 || (echo Poppler 未安裝，請確認已安裝並設定環境變數 & exit /b)

:: 請使用者選擇 PDF 檔案
set /p input_pdf=請輸入要進行 OCR 的 PDF 檔案名稱（包括副檔名）：
if not exist "%input_pdf%" (
    echo 找不到檔案：%input_pdf%
    exit /b
)

:: 建立臨時資料夾
set temp_dir=temp_ocr
mkdir %temp_dir%

:: 使用 PDFtk 分割 PDF 頁面
pdftk "%input_pdf%" burst output %temp_dir%\page_%%04d.pdf

:: OCR 每一頁
for %%f in (%temp_dir%\*.pdf) do (
    set filename=%%~nf
    pdftoppm "%%f" "%temp_dir%\!filename!" -png
    tesseract "%temp_dir%\!filename!-1.png" "%temp_dir%\!filename!_ocr" -l eng --dpi 300 pdf
)

:: 合併所有 OCR 文字型 PDF
pdftk %temp_dir%\*_ocr.pdf cat output "OCR_%input_pdf%"

:: 清理臨時資料夾
rmdir /s /q %temp_dir%

echo OCR 完成，輸出檔：OCR_%input_pdf%
pause

📌 使用說明

  1. 將這段程式碼儲存為 OCR_PDF.bat。

  2. 確保你已安裝：

    • PDFtk Server 並已設定在環境變數中。

    • Tesseract OCR 並已設定在環境變數中。

    • Poppler（pdftoppm） 並已設定在環境變數中。

  3. 將要進行 OCR 的 PDF 檔案與批次檔放在同一資料夾中。

  4. 雙擊 OCR_PDF.bat，並輸入 PDF 檔案名稱（含副檔名）。

📌 使用範例

假設你有一個名為 scanned_document.pdf 的影像型 PDF：

  1. 將 scanned_document.pdf 與 OCR_PDF.bat 放在同一資料夾。

  2. 雙擊 OCR_PDF.bat，輸入：

    mathematica

    請輸入要進行 OCR 的 PDF 檔案名稱（包括副檔名）：scanned_document.pdf

  3. 程式會自動：

    • 分割 PDF 為單獨頁面。

    • 將每頁轉為 PNG 影像。

    • 使用 Tesseract OCR 進行辨識。

    • 將所有 OCR 頁面合併為單一文字型 PDF，檔名為 OCR_scanned_document.pdf。

📌 可調整選項

  • 語言設定：

    • 預設為英文（-l eng）。如需其他語言（如繁中），請下載 Tesseract 語言庫，並修改這一行：

      batch

      tesseract "%temp_dir%\!filename!-1.png" "%temp_dir%\!filename!_ocr" -l chi_tra --dpi 300 pdf

  • DPI（解析度）：

    • 預設為 300 DPI，可視需求調整：

      --dpi 300
First Post : 2025/05/16
於
標籤： , , ,

沒有留言:

張貼留言

訂閱： 張貼留言 (Atom)