Saya memiliki pemindaian dokumen yang berkualitas baik; pemindaian tersebut dalam format pdf.

Bagaimana saya bisa menambahkan informasi ocr ke pdf, sehingga menjadi dapat dicari? Maksud saya maksudnya adalah saat melihat pdf dengan evince, CTRL-F sebenarnya memungkinkan saya untuk mencari konten pdf.

pdfsandwich

Lakukan apa yang Anda inginkan dan sediakan paket deb Ubuntu. Ini menggunakan tesseract sebagai mesin OCR. Panggilan berikut menambahkan lapisan teks ke PDF yang dipindai:

pdfsandwich scanned.pdf

Mengikuti melakukan hal yang sama tetapi dengan bahasa lain (kode ISO 639-2, tesseract-ocr-LANGCODEpaket unduh ) dan mengatur tata letak:

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

Jika Anda mendapatkan kesalahan, unduh deb versi terakhir dari Sourceforge .

Penafian: Saya adalah pengembang pdfsandwich dan karenanya jelas-jelas bias.

Ada dua proyek yang melakukan trik: GScan2PDF dan OCRFeeder

Saya menemukan solusi yang tidak ideal, tetapi sangat efektif.

Saya menggunakan PDF X-Change Viewer melalui Wine. Ini memiliki fitur OCR yang menambahkan lapisan teks ke pdf berbasis gambar yang ada.

Dengan demikian Anda dapat mencari dan menyalin teks dari lapisan tak kasat mata ini.

Untuk solusi baris perintah, Anda dapat menggunakan pdfocr .

Secara singkat, instal perangkat lunak:

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

Kemudian jalankan pdfocr:

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

Itu berhasil bagi saya di Ubuntu 12,04 LTS.

Solusi yang mudah diimplementasikan dan memberikan output pdf dengan kualitas yang sama dari file input plus ukuran yang masuk akal adalah OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Ini adalah solusi cepat dan kotor saya berdasarkan ImageMagick ini convert, tesseract, paralleldan pdftk(semua tersedia di distro berbasis debian). Ini sebagian besar didasarkan pada posting blog ini .

#!/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

Untuk seluruh direktori dengan file ppm Anda dapat menggunakan skrip ini 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"