PDFをTIFFに変換したい

Question

各クライアントPC上にて
文字化けデータのテキストが入ったPDFのテキストの出力を行いたく、
PDFにOCRをかける事にしたのですが、
OCRの既存のライブラリでは**「イメージデータ」でしかOCRが働きませんでした**。

そこで、PDFをTIFFの形式に変換し、OCRを行おうと考えたのですが
PDF → TIFFの変換方法はどれも決め手になるものがありませんでした。

いい考えがないか、ここで質問させてください。

自分で調べた中では
・有償のライブラリを購入する
→無数のライブラリがあるけど、どれでも同じなの？
・Microsoft Office Document Image Writerを利用する
→ 現在は廃れている？ いちいちインストールさせなきゃいけない？ など問題点が。。。

といった状況でした。。。

ご経験や知識のある方がいらっしゃいましたら、お力をお借りできないでしょうか。
よろしくお願い致します。

Comments

[kozuchi]

ImageMagick でなんとかなりそうな気がしますが、そもそも目的はなんですか？
「PDFのテキストの出力」ですか？
「PDFにOCRをかける事」ですか？
PDFからテキストを抽出するならそういうソフトがありますよ。
結果は OCR にかけるよりもマシなものが得られると思うのですが。
（フォント等に起因する文字化けなら OCRと違って回避できるかもしれません）

Answer 1

Spire.pdfを一度使って見てください。

サンプルコード：

        {
            //PdfDocumentオブジェクトを作成し，PDFをロードします。
            PdfDocument document = new PdfDocument();
            document.LoadFromFile("sample.pdf");

            //ファイルを.tiffで保存します。
            JoinTiffImages(SaveAsImage(document), "result.tiff", EncoderValue.CompressionLZW);
         }
        //SaveAsImage()メソード
        private static Image[] SaveAsImage(PdfDocument document)
        {
            Image[] images = new Image[document.Pages.Count];
            for (int i = 0; i < document.Pages.Count; i++)
            {
                images[i] = document.SaveAsImage(i);
            }
            return images;
        }
        //GetEncoderInfo()メソード
        private static ImageCodecInfo GetEncoderInfo(string mimeType)
        {
            ImageCodecInfo[] encoders = ImageCodecInfo.GetImageEncoders();
            for (int j = 0; j < encoders.Length; j++)
            {
                if (encoders[j].MimeType == mimeType)
                    return encoders[j];
            }
            throw new Exception(mimeType + " mime type not found in ImageCodecInfo");
        }
        //JoinTiffImages()メソード
        public static void JoinTiffImages(Image[] images, string outFile, EncoderValue compressEncoder)
        {
            Encoder enc = Encoder.SaveFlag;
            EncoderParameters ep = new EncoderParameters(2);
            ep.Param[0] = new EncoderParameter(enc, (long)EncoderValue.MultiFrame);
            ep.Param[1] = new EncoderParameter(Encoder.Compression, (long)compressEncoder);
            Image pages = images[0];
            int frame = 0;
            ImageCodecInfo info = GetEncoderInfo("image/tiff");
            foreach (Image img in images)
            {
                if (frame == 0)
                {
                    pages = img;
                    pages.Save(outFile, info, ep);
                }

                else
                {
                    ep.Param[0] = new EncoderParameter(enc, (long)EncoderValue.FrameDimensionPage);

                    pages.SaveAdd(img, ep);
                }
                if (frame == images.Length - 1)
                {
                    ep.Param[0] = new EncoderParameter(enc, (long)EncoderValue.Flush);
                    pages.SaveAdd(ep);
                }
                frame++;
            }
        }

Answer 2

Adobe Acrobat Xを使うのが一番安全な結果を得られるかと思います。

• PDF を他のファイル形式で書き出す方法 （Acrobat X）

Answer 3

＞PDF → TIFFの変換方法はどれも決め手になるものがありませんでした。
無償系であれば、
Ghostscript を使って、メモリーファイルで処理すれば可能ですし、
WindowsForm 用と、ASP.NET 用に、実装したこともあります。
ＰＤＦ⇒ＴＩＦＦ画像、ＪＰＥＧ画像
但し元のＰＤＦが、余りに古い場合は、対応できないかも。
Adobe Reader で表示出来ても、PDFが他メーカーや無料アプリで書換えてあるような場合も、
対応できない場合があります。
’
ＰＤＦ上の文字データを抜出すのであれば、Adobe のアプリ経由(Adobe Acrobat のVBA)で、
可能かもしれません。
(Adobe Reader の方ではないです。検索ワード：adobe acrobat VBA)
’
ＰＤＦに文字データが無く、画像のみであれば、
ＴＩＦＦ化で、文字になるわけでは無いので、最終的に文字データが欲しいというのであれば、
ＯＣＲ系のソフトや、Windows Server系のTIFF-OCR機能になるのかも。
対象の画像が、活字時代のスキャン画像データや、手書きの場合は、
ＯＣＲ側に学習機能が無いと、厳しいかも。
Windows Server系のTIFF-OCR機能：簡易的には、機能を有効にした後、
該当TIFFファイルがあるフォルダで、TIFFファイルを対象とした、
Explorerでの、文字列検索が可能になります。
’
例えば、１９８０年代以前の、活字時代のカタログ、図表入りマニュアルなどは、
ＯＣＲにかけて、文字データが取れる頁と、取れない頁、取れても、識字率が悪い頁などが
でてきます。図表や、絵の部分はＯＣＲで誤字や、変換不能になりますし。
この時は、ＤＢへＯＣＲデータを入れてしまって、データ自体がある程度パターン変換が
効きましたので、変換結果を見ながら自動修正して、結果を再度、
目視修正の機能迄、実装しました。