Tôi có một bản quét chất lượng tốt của một tài liệu; quét như vậy là ở định dạng pdf.

Làm cách nào tôi có thể thêm thông tin ocr vào pdf để nó có thể tìm kiếm được? Bằng cách tìm kiếm tôi có nghĩa là mục tiêu là khi xem pdf bằng evince, CTRL-F thực sự cho phép tôi tìm kiếm trong nội dung pdf.

pdfsandwich

Có những gì bạn muốn và cung cấp các gói gỡ lỗi Ubuntu. Nó sử dụng tesseract làm động cơ OCR. Cuộc gọi sau đây thêm lớp văn bản vào tệp PDF được quét của bạn:

pdfsandwich scanned.pdf

Sau đây cũng làm như vậy nhưng với ngôn ngữ khác (mã ISO 639-2, tesseract-ocr-LANGCODEgói tải xuống ) và thiết lập bố cục:

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

Nếu bạn gặp bất kỳ lỗi nào, vui lòng tải xuống phiên bản mới nhất từ ​​Sourceforge .

Tuyên bố miễn trừ trách nhiệm: Tôi là nhà phát triển của pdfsandwich và do đó rõ ràng là thiên vị.

Có hai dự án thực hiện thủ thuật: GScan2PDF và OCRFeeder

Tôi tìm thấy một giải pháp không lý tưởng, nhưng là một giải pháp rất hiệu quả.

Tôi sử dụng PDF X-Change Viewer thông qua Wine. Nó có một tính năng OCR để thêm một lớp văn bản vào pdf dựa trên hình ảnh hiện có.

Do đó bạn có thể tìm kiếm và sao chép văn bản từ lớp vô hình này.

Đối với một giải pháp dòng lệnh, bạn có thể sử dụng pdf .

Tóm lại, cài đặt phần mềm:

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

Sau đó chạy pdfoc:

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

Điều đó làm việc cho tôi trên Ubuntu 12.04 LTS.

Một giải pháp có thể dễ dàng thực hiện và cung cấp pdf đầu ra với cùng chất lượng của tệp đầu vào cộng với kích thước hợp lý là OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Đây là giải pháp nhanh chóng và dơ bẩn của tôi dựa trên ImageMagick của convert, tesseract, parallelvà pdftk(tất cả có sẵn trên các bản phân phối debian-based). Phần lớn dựa trên bài đăng trên blog này .

#!/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

Đối với toàn bộ thư mục với các tệp ppm, bạn có thể sử dụng tập lệnh này ppm2ocpdf.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"