Mam dobrej jakości skan dokumentu; taki skan jest w formacie pdf.

Jak mogę dodać informacje ocr do pliku PDF, aby można go było wyszukiwać? Przez wyszukiwalne rozumiem, że celem jest to, że podczas przeglądania pliku pdf za pomocą evince, CTRL-F faktycznie pozwala mi przeszukiwać zawartość pdf.

pdfsandwich

Robi to, co chcesz i zapewnia pakiety Ubuntu deb. Wykorzystuje tesseract jak silnik OCR. Poniższa rozmowa dodaje warstwę tekstową do zeskanowanego pliku PDF:

pdfsandwich scanned.pdf

W następstwie robi to samo, ale z innego języka (kod ISO 639-2, pobierz tesseract-ocr-LANGCODEpakiet) i ustawienie układu:

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

Jeśli masz żadnego błędu prosimy pobrać Najnowsza wersja deb z Sourceforge .

Oświadczenie: Jestem programistą pdfsandwich i dlatego oczywiście jestem stronniczy.

Są dwa projekty, które załatwiają sprawę : GScan2PDF i OCRFeeder

Znalazłem nie idealne rozwiązanie, ale bardzo skuteczne.

Korzystam z przeglądarki PDF X-Change Viewer za pośrednictwem Wine. Posiada funkcję OCR, która dodaje warstwę tekstową do istniejącego pliku pdf opartego na obrazie.

W ten sposób możesz wyszukiwać i kopiować tekst z tej niewidocznej warstwy.

W przypadku rozwiązania wiersza polecenia można użyć pdfocr .

W skrócie, zainstaluj oprogramowanie:

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

Następnie uruchom pdfocr:

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

To działało dla mnie na Ubuntu 12.04 LTS.

OCRmyPDF to rozwiązanie, które można łatwo wdrożyć i zapewnia wyjściowy plik PDF o tej samej jakości pliku wejściowego i rozsądnej wielkości:

https://github.com/jbarlow83/OCRmyPDF

To jest mój szybki i brudny rozwiązanie oparte na ImageMagick na convert, tesseract, paralleloraz pdftk(wszystkie dostępne na dystrybucjach opartych na Debianie). Jest w dużej mierze oparty na tym blogu .

#!/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

W przypadku całego katalogu z plikami ppm możesz użyć tego skryptu 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"