我的（网络）应用程序的设置如下：我得到用户上传的PDF文件，在它们上运行OCR并向他们显示OCRed PDF。由于所有内容都在线，因此最小化生成的PDF文件的大小是减少用户加载和等待时间的关键。
我从用户那里收到的文件是sample.pdf（我已经创建了一个包含原始文件以及在此处生成的文件的存档：https://dl.dropboxusercontent.com/u/1390155/tess-files/sample.zip）。我使用tesseract 3.04并执行以下操作：
gs -r300 -sDEVICE=tiff24nc -dBATCH -dNOPAUSE -sOutputFile=sample.tiff sample.pdf
tesseract sample.tiff sample-tess -l fra -psm 1 pdf
OCR的结果很好，但是现在生成的PDF的大小约为2.5倍
原始pdf文件大小：60k
最终PDF大小：14.7万
所以我问你，如何在保持OCR结果的同时减小生成的PDF的大小？
一种明显的解决方案是降低生成Tiff时的分辨率，但我不想这样做，因为它可能会影响OCR结果。
我尝试的第二件事是使用ghostscript减少了tesseract后的PDF大小：
gs -o sample-down-300.pdf -sDEVICE=pdfwrite -dDownsampleColorImages=true \
-dDownsampleGrayImages=true -dDownsampleMonoImages=true \
-dColorImageResolution=300 -dGrayImageResolution=300 \
-dMonoImageResolution=300 -dColorImageDownsampleThreshold=1.0 \
-dGrayImageDownsampleThreshold=1.5 -dMonoImageDownsampleThreshold=1.0 \
sample-tess.pdf
这会有所帮助，生成的文件只有101K，大约是原始文件的1.5倍。我可以接受，但是它似乎也会影响OCR的结果。例如，现在缺少“餐厅”和“比萨店”（第二行）之间的空白。
带有ghostscript的另一个（更简单）选项（使用ebook参数）导致PDF文件中的质量稍差的43k文件，以及缺少空白的相同问题：
gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dPDFSETTINGS=/ebook \
-dNOPAUSE -dBATCH -dQUIET -sOutputFile=sample-ebook.pdf \
sample-tess.pdf
较低质量的PDF很好，但是我还是不想在OCR上妥协。
我已经使用PNG和JPEG进行了其他测试，但是OCR结果始终会下降（甚至略有下降），并且结果PDF不会更小。例如，使用PNG：
convert -density 300 sample.pdf -transparent white sample.png
tesseract sample.png sample-tess-png -l fra -psm 1 pdf
总数（55.50）丢失，最终PDF大小为149k。
总结一下，这是我的问题：
有人可以解释为什么使用以下方法减小PDF的大小
ghostscript是否会影响OCR结果？我认为文字层和
图像层是独立的...
有没有人可以给的选择
tesseract在生成图像时降低图像质量
PDF？
我读到其他解决方案（例如ABBYY OCR）使用混合栅格化
内容（MRC）以减小文件大小。 tesseract会这样做吗
已经？如果没有，是否有一些开源或专有的CLI工具
这样做，我可以用来减少生成的tesseract PDF
文件？
同样，只要用户可以搜索文本并选择要从PDF复制/粘贴的文本，就可以保证PDF图像的质量（尽管我希望保持颜色理想）。
任何帮助，不胜感激！
最佳答案
问题1，我看不到任何“附加”到此的文件，所以我在黑暗中猜测。
PDF中没有“文本层”或“图像层”，PDF可能具有层，但这是独立的。文本和图像按原样嵌入文件中。当然，将PDF呈现为TIFF图像的结果的确会生成单个图像文件。
原始PDF将使用字体将文本存储为文本，TIFF文件将整个图像渲染为图像。我不确定tesseract的工作原理，如果没有输出示例，我不确定，但是我希望它能使输出的图像完整保留在输出PDF文件中，并使用渲染模式3添加文本（两者都不描边也不填充，即不可见）。这就是您上面所说的“ MCR”。
这对您来说意味着原始的PDF很小，因为很多（也许全部）内容被描述为矢量数据。生成的TIFF文件很大，因为它有一个完整的页面位图，使用矢量表示形式获得的节省已丢失。然后将其转换为PDF（仍然很大），然后将更多文本和字体添加到文档中，这当然只会增加其大小。
实际上，唯一可以改变该文件大小的是减小位图图像（即用于创建最终输出PDF的TIFF文件）的大小。
在渲染为TIFF和OCR之前先处理原始PDF文件似乎不太可能对最终PDF文件大小产生任何影响（凹腔；压缩可能会更好，因为可能会有更多的“平坦”颜色区域）
在没有看到原始文件和最终文件的情况下，我什至无法说更多，而且我无法自己进行测试（我没有安装Tesseract），但在我看来，唯一的解决方案是在创建最终输出PDF文件之前，让Tesseract对图像进行降采样。