利用轻量服务器搭建pdf在线工具箱(支持OCR!!!支持OCR!!!)

lixiaofei · 发表于 2021-9-17 00:22:32

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。

FreeDog · 发表于 2021-9-17 08:24:43

离线压缩……adobe不香吗…… 没搞懂

告辞 · 发表于 2021-9-17 00:50:50

大佬是个好人，usage从买服务器开始教，还不放aff

h20 · 发表于 2021-9-17 00:28:35

提示: 作者被禁止或删除内容自动屏蔽

马博士 · 发表于 2021-9-17 00:26:37

技术帖顶

GoogleCloud · 发表于 2021-9-17 00:27:55

Mark一下

lixiaofei · 发表于 2021-9-17 00:28:45

居然可以发链接了，感动

lixiaofei · 发表于 2021-9-17 00:29:53

冲啊让阅读量上1000

b66667777 · 发表于 2021-9-17 00:29:57

支持一下

Nnag · 发表于 2021-9-17 00:30:16

冲啊

greencloudvps · 发表于 2021-9-17 00:30:27

支持一下

lixiaofei · 发表于 2021-9-17 00:30:59

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

		自动登录	找回密码
密码			注册

h20 h20 当前离线积分 19897	发表于 2021-9-17 00:28:35 \| 显示全部楼层提示: 作者被禁止或删除内容自动屏蔽
h20 h20 当前离线积分 19897
	回复支持 1 反对 0 举报

[疑问] 利用轻量服务器搭建pdf在线工具箱(支持OCR!!!支持OCR!!!)

点评