Ephesoft 学习从 PDF 转换而来的 tiff 文档时出错

Question

我在 AWS 实例的 windows 服务器 2003 上使用 Ephesoft 社区版。我在 ephesoft 读取某些 tiff 文档时遇到问题。我有大约 100 个不同的 tiff 文件，其中大约 70% 可以工作。这些 tiff 文档最初是我们使用最新版本的 ghostscript 转换并使用 ephesoft 的 imagemagick 清理的 PDF。我们在 ghostscript

中使用以下命令

-dNOPAUSE -r300 -sDEVICE=tiffg4 -dBATCH

我们使用 imagemagick 执行以下命令

-compress group4

当学习其中一个无效的 tiff 文件时，我们在日志文件中收到以下错误

Drop Box Link to Stack Trace

这是我们试图让 ephesoft 学习的 Tiff 文档之一

Drop Box Link to Tiff Document

我可以用 ghostscript、imagemagick 或任何其他软件做些什么来解决这个问题吗？还是我需要以某种方式修改 ephesoft？

Answer 1

我通过进一步研究找到了解决方案。

问题不涉及 Ghostscript 或 Imagmagick。它涉及 Tesseract 和创建 HOCR 文件。当 Tesseract 创建 hocr 文件时，它会将 Texas 的值解析为 Te>。 Ephesoft 的社区版无法处理这样的特殊 xml 字符，因此会抛出错误。

解决方案是设置一个 Tesseract 属性 将 <> 符号列入黑名单，这样 Tesseract 就不会包含这些符号或解析这些符号。我的 PDF 现在似乎可以正常工作，我可以处理它们。