У мене хороша якість сканування документа; таке сканування проводиться у форматі PDF.

Як я можу додати інформацію про ocr до PDF, щоб вона стала пошуковою? Під пошуком я маю на увазі, що мета полягає в тому, що, переглядаючи pdf з evince, CTRL-F насправді дозволяє мені шукати вміст pdf.

pdfsandwich

Робить те, що ви хочете, і надає деб-пакети Ubuntu. Він використовує tesseract як двигун OCR. Наступний виклик додає текстовий шар до сканованого PDF:

pdfsandwich scanned.pdf

Далі робиться те саме, але з іншою мовою (код ISO 639-2, tesseract-ocr-LANGCODEпакет завантаження ) та налаштування макета:

pdfsandwich  -verbose -lang spa -layout single scanned.pdf

Якщо ви отримали помилку, завантажте останню версію дебюту у Sourceforge .

Відмова: Я розробник pdfsandwich і тому явно упереджений.

Є два проекти, які роблять фокус: GScan2PDF та OCRFeeder

Я знайшов неідеальне рішення, але дуже ефективне.

Я використовую PDF X-Change Viewer через Wine. Він має функцію OCR, яка додає текстовий шар до існуючого PDF-файлу на основі зображень.

Таким чином, ви можете шукати та копіювати текст із цього невидимого шару.

Для рішення командного рядка можна використовувати pdfocr .

Якщо коротко, встановіть програмне забезпечення:

$ sudo apt-get install python-software-properties
$ sudo add-apt-repository ppa:gezakovacs/pdfocr
$ sudo apt-get update
$ sudo apt-get install pdfocr

Потім запустіть pdfocr:

$ pdfocr -i scanned.pdf -o scanned.with.search.pdf

Це працювало для мене на Ubuntu 12.04 LTS.

Рішення, яке легко реалізується і забезпечує вихідний PDF з однаковою якістю вхідного файлу плюс розумний розмір - OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Це мій швидкий і брудний розчин на основі ImageMagick - х convert, tesseract, parallelі pdftk(всі доступні на розподілах DEBiAN основі). Він багато в чому заснований на цій публікації в блозі .

#!/bin/sh -ex

density=${2:-"300"} # default to 300 DPI if 2nd parameter is not given

convert -monitor -density "$density" "$1" -monochrome -compress lzw -alpha deactivate page_%05d.tif
parallel --bar "tesseract {} {.} pdf 2>/dev/null" ::: page_*.tif
pdftk page_*.pdf cat output "${1%.*}-ocred.pdf" compress

# Cleanup temp files
rm page_?????.tif page_?????.pdf

Для всього каталогу з файлами ppm ви можете використовувати цей скрипт ppm2ocrpdf.sh

#!/bin/sh

mkdir .pdf
for f in *.ppm; do
    echo " Running convert -compress JPEG -quality 88 "$f" -page a4 "$f"ppm.pdf"
    convert -compress JPEG -quality 88 "$f" -page a4 "$f"ppm.pdf
    echo " Running tesseract -l deu "$f" "$f" pdf"
    tesseract -l deu "$f" "$f" pdf
    echo " Running pdftk "$f".pdf cat output ./.pdf/"$f"ocr.pdf"
    pdftk "$f".pdf cat output ./.pdf/"$f"ocr.pdf
    echo " Running rm "$f"ppm.pdf"
    rm "$f"ppm.pdf
    echo " Running rm "$f".pdf"
    rm "$f".pdf
done
echo " Running pdftk *.pdf cat output ../outdocument.pdf"
pdftk ./.pdf/*.pdf cat output outOcrDocument.pdf
echo " Running rm ./.pdf/*.pdf"
rm ./.pdf/*.pdf
echo " Running rmdir .pdf"
rmdir .pdf
echo "Done"