ฉันมีสแกนเอกสารที่มีคุณภาพดี การสแกนดังกล่าวอยู่ในรูปแบบ pdf

ฉันจะเพิ่มข้อมูล ocr ใน pdf ได้อย่างไรเพื่อให้สามารถค้นหาได้ โดยการค้นหาได้ฉันหมายความว่าเป้าหมายคือเมื่อดู pdf ด้วย evince CTRL-F จริง ๆ แล้วทำให้ฉันสามารถค้นหาในเนื้อหา pdf ได้

pdfsandwich

ทำในสิ่งที่คุณต้องการและมอบแพ็คเกจ deb ของ Ubuntu มันใช้ tesseract เป็นเครื่องมือ OCR การโทรต่อไปนี้เพิ่มเลเยอร์ข้อความใน PDF ที่สแกนของคุณ:

pdfsandwich scanned.pdf

ต่อไปนี้ไม่เหมือนกัน แต่มีภาษาอื่น (รหัส ISO 639-2, tesseract-ocr-LANGCODEแพ็คเกจดาวน์โหลด) และการตั้งค่าเค้าโครง:

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

ถ้าคุณได้รับข้อผิดพลาดใด ๆ โปรดดาวน์โหลดรุ่นล่าสุด deb จาก Sourceforge

คำเตือน:ฉันเป็นผู้พัฒนาของ pdfsandwich และจึงลำเอียงอย่างเห็นได้ชัด

มีสองโครงการที่ใช้เคล็ดลับ: GScan2PDFและOCRFeeder

ฉันพบทางออกที่ไม่เหมาะ แต่เป็นวิธีที่มีประสิทธิภาพมาก

ฉันใช้PDF X-Change Viewerผ่านทางไวน์ มันมีคุณสมบัติ OCR ซึ่งจะเพิ่มเลเยอร์ข้อความให้กับไฟล์ PDF ที่ใช้ภาพที่มีอยู่

ดังนั้นคุณสามารถค้นหาและคัดลอกข้อความจากเลเยอร์ที่มองไม่เห็นนี้

สำหรับการแก้ปัญหาบรรทัดคำสั่งคุณสามารถใช้pdfocr

โดยสรุปให้ติดตั้งซอฟต์แวร์:

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

จากนั้นเรียกใช้ pdfocr:

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

ที่ทำงานสำหรับฉันใน Ubuntu 12.04 LTS

โซลูชันที่สามารถนำไปใช้งานได้อย่างง่ายดายและให้ไฟล์ PDF เอาต์พุตที่มีคุณภาพเดียวกันกับไฟล์อินพุตพร้อมขนาดที่เหมาะสมคือ OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

นี่คืออย่างรวดเร็วของฉันและวิธีการแก้ปัญหาสกปรกบนพื้นฐาน ImageMagick ของconvert, tesseract, parallelและpdftk(ทั้งหมดที่มีอยู่ในการกระจาย Debian-based) ส่วนใหญ่จะขึ้นอยู่กับโพสต์บล็อกนี้

#!/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

สำหรับไดเรกทอรีทั้งหมดที่มีไฟล์ ppm คุณสามารถใช้สคริปต์นี้ 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"