Komut satırı / komut dosyası aracılığıyla mevcut PDF'yi aranabilir hale getirme (OCR)

Mevcut bir PDF dosyasını üzerinde OCR çalıştırarak, aranabilir olmayan orijinal dosyayı aranabilir sürümle değiştirerek aranabilir yapan ve katılımsız çalıştırabilen çevrimdışı bir komut dosyası aracı arıyorum.

Örneğin, www.pdfscannerapp.com - tam olarak ihtiyacım olanı yapıyor, ama sadece GUI - yazılabilir değil.

Evernote'un PDF dosyalarını aranabilir hale getirdiğinin farkındayım, ancak yalnızca Evernote içindeyken aranabilir durumda kalıyorlar.

Mükemmel bir OCR aramıyorum, orta derecede kabul edilebilir bir OCR bile iyi, ancak hantal bir yazılım paketi yerine küçük bir yardımcı programı tercih ederim.

(AD ile ilgili benzer ancak farklı bir sorunun farkındayım: Aranabilir ve İmzalanabilir PDF'ye Taramak veya Dönüştürmek için Yazılım Aranıyor - ancak, PDF'leri imzalamak veya doldurmak zorunda değilim ve gereksinimim çözümün yazılabilir olması)

DÜZENLE:

1) Çeşitli yardımcı programlar yapılandırılmış metin çıkarmaya izin verir, ancak çıkarılması için metnin orada olması gerekir; Tarayıcılar tarafından oluşturulan düz PDF'lerde olduğu gibi, esas olarak bitmap'leri saran PDF'lerden bahsediyorum.

2) Mutlaka ücretsiz bir çözüm aramıyorum ve sadece ihtiyacım olanı yapan iyi bir yardımcı program için ödeme yapmaktan mutluluk duyarım, ancak bir OCR özelliği içeren milyonlarca özelliğe sahip hantal uygulamalar aramıyorum ama maliyeti sadece OCR işlevselliği için satın almayı haklı göstermeyen.

3) Yukarıda belirtildiği gibi, mükemmel bir OCR aramıyorum, sadece orta derecede kabul edilebilir bir OCR arıyorum. Ne yazık ki, tecrübelerime göre, tesseract gerçekten bu eşiğin altında. En azından hesap numarasının (müşteri numarası) doğru bir şekilde tanınması için OCR yardımcı fatura tasarlayabileceği bir OCR'yi "orta derecede kabul edilebilir" olarak tanımlıyorum.

EDIT: "komut dosyası" veya "otomatikleştirilebilir", yani otomatik olarak tetiklenebilir ve insan girişi olmadan katılımsız çalışabilir.

Bunu "komut satırı" ndan "komut dosyası" yapabilmek için gereksinimlerinizin neler olduğu tam olarak açık değil.

Otomasyon hakkında konuşuyorsanız, bu herhangi bir yardımcı programla mümkündür.

ABBYY FineReader Express + Klavye Maestro + Hazel

ABBYY FineReader Express + Keyboard Maestro + Hazel'i şu şekilde kullanıyorum:

1. Hazel, herhangi bir yeni PDF için belirli bir klasörü izler

2. bir PDF bulunursa, "ABBYY FineReader Express" içinde açılır.

3. Klavye Maestro daha sonra PDF'yi Aranabilir PDF'ye (OCR) dönüştürme işlemini otomatik hale getirir ve dosyayı farklı bir dizine kaydeder.

Şimdi, Hazel ve Keyboard Maestro'ya sahip değilseniz, başlangıç ​​maliyetleriniz oldukça hızlı bir şekilde yükselecek (her ikisine de bağlı olmamıza rağmen, onları bir pazarlık olarak görüyorum).

PDFPen + AppleScript + Klasör Eylemleri

PDFPen (veya PDFPenPro) ve klasör eylemleri ve AppleScript ile benzer bir şey yapabilirsiniz. Bir örnek için bkz. Https://gist.github.com/prenagha/1355037 .

Marco Arment, Mac için OCR uygulamaları hakkında bir anket yaptı ve PDFPen'in harika sonuçları olduğunu ve otomatikleştirilmesinin kolay olduğunu buldu.

"PDFpen el yazısı OCR" için yapılan bir Google araması bir dizi alternatif oluşturacaktır.

Ne istiyorsun Tesseract OCR. Google tarafından sağlanan ve çeşitli platformları destekleyen açık kaynaklı bir OCR'dir. Ayrıca yerel bir komut satırı arabirimine sahiptir. Tam olarak aradığınız şey ve Mac bağlantı noktaları projesinin yanı sıra homebrew'dan da mevcut .

Proje Ana Sayfası: https://github.com/tesseract-ocr

OS X'e nasıl kurulur: http://blog.matt-swain.com/post/26419042500/instal-tesseract-ocr-on-mac-os-x-lion

Kullanım Örneği: tesseract -l eng input.pdf output

Feragatname: OCR ÇÖZÜMÜ DEĞİL (ancak bu cevap pdf'den metin çıkarmak için hala yararlıdır)

Apache Tika adında bir Apache Yazılım Vakfı projesi var :

Bir araç seti, varolan ayrıştırıcı kitaplıklarını kullanarak çeşitli belgelerdeki meta verileri ve yapılandırılmış metin içeriğini algılar ve ayıklar

PDFBox kullanarak PDF metin çıkarmayı desteklerler :

yeni PDF belgelerinin oluşturulmasına, mevcut belgelerin manipüle edilmesine ve belgelerden içerik çıkarılmasına olanak tanır. Apache PDFBox ayrıca birkaç komut satırı yardımcı programı içerir

Ve son zamanlarda OCR için de destek eklediler (Tesserac aracılığıyla)

Metin tabanlı bir çözüm için PDFBox, PDF'den metin ayıklamak için çok basittir:

• pdfbox-appPaketi https://pdfbox.apache.org/downloads.html adresinden indirin

• ExtractTextüzerinde komutu çalıştırın :

  java -jar pdfbox-app-xyzjar ExtractText myNiceBook.pdf myNiceBook.txt

Ayrıca ExtractText belgelerinde görebileceğiniz başka güzel seçenekler de var .

Ben öneriyoruz DEVONthink Pro Ofisi . Mükemmel bir uygulamadır ve çok iyi AppleScript desteğine sahiptir. Ne yazık ki sadece 'Pro Office' sürümü OCR yeteneğine sahiptir - bu yüzden 100 £ (150 $) ödemek zorundasınız.

Yalnızca komut dosyası OCR için kullanıyorsanız aşırıya kaçabilir - ama çok iyi bir uygulama.

- sadece yazınızı tekrar okuyun - kesinlikle aşırıya kaçacak!

Kabuktan sadece OCR istiyorsanız, motor DEVON lisansları olan ABBY ile konuşmayı deneyebilirsiniz:

http://www.abbyy-developers.com/en:tech:samples:commandline_ocr

Mevcut PDF'nizi metin dosyasına dönüştürerek aranabilir hale getirebilirsiniz. En azından Imagemagick , Ghostscript (PDF dönüştürme için) ve Tesseract OCR aracına ihtiyacınız var.

Bazı komut satırı örnekleri:

$ wget http://www.fmwconcepts.com/misc_tests/pdf_tests/test.pdf
$ convert -density 300 -depth 8 test.pdf test.png
$ tesseract test*.png test.txt
$ grep -i --color=auto the test*.txt
**The** details as told by surviving crew members, to **the** German publication Spiegel and published on ABC's

Bu ihtiyaçlarınızı daha da genişletebilir.

Gerekli araçları kurmak için OSX'e Homebrew üzerinden yükleyebilirsiniz :

brew install imagemagick jpeg libpng ghostscript tesseract

Linux'ta apt-getveya yumyerine kullanın brew.

Daha fazla OCR aracı için şunları kontrol edin: Linux sistemlerinde OCR

İlgili:

• Linux'ta Komut Satırı Araçlarını Kullanarak OCR Yapma
• Linux'ta Komut Satırı Araçlarını Kullanarak PDF'lerle Çalışma

Kolayca uygulanabilir ve aynı kalitede girdi dosyası artı makul boyutta bir çıktı pdf sağlayan bir çözüm OCRmyPDF'dir:

https://github.com/jbarlow83/OCRmyPDF

Stackoverflow, PDF-ayrıştırma altında PDFBox ve Apache'nin PDFBox tarafından kullanılan TIKA gibi şeyleri kapsayan ilgili sorulara sahiptir . Aşağıdaki yakut kodu PDF'den yazmayı ayıklar. Bu tür kodların sağlam çalışması için yeterli çözünürlüğe sahip olmanız gerekir. Bu nedenle, yüksek çözünürlüklü yeterince iyi bir tarayıcı edinin ve bazı yazılımların çalışıp çalışmadığını görün.

Örnekler

1. https://github.com/yob/pdf-reader/tree/master/examples

SO konuları

1. /programming/5217783/pdf-parse-to-text-in-java

2. /programming/8149179/alternative-to-tika-pdfbox-for-parsing-pdf-in-solr-any-version-later-than-1-4

3. /programming/320621/ruby-pdf-parsing-gem-library

4. /programming/15186740/haskell-parsing-reading-content-of-pdf-files

[Düzenle]

Sorununuzu şimdi anladığımdan emin değilim. Rastgele fotoğraflar, ekran görüntüleri, OCR katmanı olmayan PDF'ler gibi farklı malzemelere OCR katmanı eklemek ister misiniz? Çözümü bilmiyorum ama eminim birisi biliyor belirli bir soru Automator ve bazı OCR yazılımı ile nasıl yapılacağını sordu:

OCR malzemeye otomatik olarak eklemek için bir OCR yazılımı ile Automator-script?

Bu tür kendinden yönlendirmeli uygulama için, Hazel'in büyük bir hayranıyım.

• http://www.noodlesoft.com/hazel.php

Perl veya python gibi daha fazla komut satırı odaklı bir araç öğrenmeye gerek kalmadan eylemleri komutlandırmayı son derece kolay hale getirir ve seçtiğiniz OCR motoru ile eşleştirilir (benimki şu anda PDF Pen Pro'dur) Dosyalarınızı en az düzeyde işlerken sorun yaşamanız gerekir yaygara.

• http://www.smilesoftware.com/PDFpenPro/index.html

Bunların her ikisi de ücretli yazılımdır, ancak her ikisinin de faydası bu bir vakayı aşar. Benim durumumda, geçmiş taranmış kayıtlarımı (ve devam eden kağıdı) dijitalleştirmekle ilgili emekle, bunların fiyatı, bunu başka bir yerde programlamak için harcayacağım zamandan çok daha ağır basar ve şimdi her iki araca da sahip olduğum için, onlar.

PDFScannerApp'ın resmi olmayan bir komut dosyası desteği var. Automator eylemi için yazara başvurun.

Toplu olarak OCR için Adobe acrobat kullanıyorum. Dubleks tarayıcım taradıktan sonra OCR yapabilir, ancak acrobat'taki OCR teknolojisi bence daha doğrudur. Sadece OCR olmayan bir klasöre işaret ediyorum, sonra acrobat PDF'yi şimdi bir metin katmanı da dahil olmak üzere aranabilir bir PDF olarak kaydediyor. Komut satırı üzerinden OCR yapmak istersem, bir yolunu bilmiyorum ama Autohotkey'i kullanarak GUI sonunu otomatikleştirebilirim. Komut satırı kadar güvenilir veya hızlı değil, ancak GUI etkileşimini en aza indirmek için bir iş akışı eylemi ayarladıktan sonra işi yapar.

Mac için, Apple komut dosyası, Mac bilgisayarımda henüz denememe rağmen Autohotkey'in PC'de ne yaptığını yapıyor.

Otomatik kısayol tuşu bir kayıt cihazı ile birlikte gelir, bu yüzden senaryo yazımının çoğu sizin için akşam yemeği ve daha fazla düzenleme ve biraz da isterseniz döngü için sizin için akşam yemeği olur.

OCRing görüntülerini deniyorum ancak işlemi henüz acrobat üzerinden tam olarak otomatikleştirmedim. Komut satırı ideal ancak akrobatı aşan kaliteli bir OCR motoru bulamadım, bu yüzden şimdilik akrobatla bağlı kalıyorum.

Son zamanlarda bunun üzerine tökezledim: http://ocrkit.com/faq.html

Yine de 14 gün sonra ödemek zorunda

Docker kullanarak yüksek kaliteli Sürükle ve Bırak dönüşümü yaptım.

Eğer sen:

1. Mac'iniz için Docker'ı yükleyin ve
2. ardından yeni bir Automator uygulaması oluşturun
3. bu içerikleri "Kabuk Betiği Çalıştır" işlemi içinde bulabilirsiniz. Geçiş Girdisini Seçin:"as arguments"

/bin/bash komut metni:

cd "`dirname "$1"`"
/usr/local/bin/docker run --rm -v "$(pwd):/home/docker" jbarlow83/OCRmyPDF --force-ocr "`basename "$1"`" "`basename -s .pdf "$1"`-ocr.pdf"

Daha sonra PDF'leri üzerine sürükleyip bırakmanız iyi olur ve dosya adına "-ocr" eklenmiş benzer bir PDF alırsınız.

Bir yerde de kopyalamak için Automator'a bir dosya döndürmek için kolayca değiştirilebileceğini düşünüyorum. İnce OCRmyPDF yükleme istasyonu paketi hakkında daha fazla bilgi. ve ana araç (farklı bir cevapta da belirtilmiştir).

Bunu girdi olarak "Belirtilen Finder öğelerini al" eylemiyle Automator'da test edebilirsiniz.

İlk kez çalıştırıldığında, OCRmyPDF (görünmez) için Docker görüntülerini indirmesi gerekeceğinden daha fazla zaman alır. Terminal'de, alternatif docker pull jbarlow83/ocrmypdfolarak ilk çalıştırmayı hızlandırmak için çalıştırabilirsiniz. Tipik bir çalışma, yüksek DPI sayfası başına yaklaşık 10 saniye sürer, ancak tablolar veya diyagramlar olsa bile otomatik olarak metne dönüştürülebilir sonuçlar verir. OCRing'den önce Sejda kullanarak kırpıyorum, böylece diğer sayfalardan saçma kenar boşluğu kelimeleri kaldırılıyor.

--force-ocrArgüman görmezden ve benim durumlarda genellikle sadece kısmi ve yararsız herhangi önceki OCR girişimleri, üzerine yazmak için aracı söyler.

OCRKit'in hem AppleScript desteği hem de CLI'si vardır. Onların Gönderen yardım sayfasında :

AppleScript

Ayrıca, özel iş akışınıza entegre etmek için OCRKit komut dosyasını da yazabilirsiniz. Örneğin, gelen dosyaları, MFP kopyalama makinesinden paylaşılan klasör aracılığıyla işleyin ve OCRKit'e açılmasını söyleyin ve böylece işlem AppleScript aracılığıyla olur:

tell application "OCRKit"
   -- the wonders of AppleScript POSIX path handling, ...
   open "Users:admin:Desktop:orderform.pdf"
   open POSIX path of "/Users/Admin/Desktop/orderform.pdf"
end tell 

Komut satırı

OCRKit sürüm 2.5 olduğundan, doğrudan komut satırı komut dosyaları desteklenir. Bu, toplu işlemede OCRKit'in kullanımını büyük ölçüde basitleştirir, daha fazla seçenek ayarlamaya izin verir ve ayrıca AppleSCript'ten daha sağlam ve platformlar arasıdır.

OCRKit.app/Contents/MacOS/OCRKit \ 
    --lang en | de | fr | es | ... \
    --format pdf | html | rtf | text \
    --no-progress \
    --output out-file in-file

OCRKit sürüm 16.9 olduğundan ek komut satırı seçenekleri desteklenmektedir:

-r, --recursive directory

Dizini yeni dosyalar için özyinelemeli olarak tarayın. Metin katmanı veya vektör grafikleriyle OCRKit'ten dosyaları atlar.

--pattern "regex"

Özyinelemeli taramalar sırasında dosya adlarını eşleştirmek için kullanılan desen. Varsayılan olarak %.pdf$, TIFF için öneri%.tiff?$

--log file

Dosyaya özyinelemeli tarama sırasında günlük dosyası bilgilerini ve istatistiklerini yazın.

--password secret

Toplu işlem sırasında PDF dosyalarının şifresini çözmek için gizli şifreyi kullanın.

--test-run [ fast ]

Test toplu işlemeyi yalnızca PDF dosyalarını test etmek veya toplam işlem süresini tahmin etmek için sayfa sayısı elde etmek üzere test modunda çalıştırın. "hızlı", görüntü ve vektör analizi için tüm sayfaları açmak yerine her dosyanın yalnızca ilk sayfasını kontrol eder.

--tag name

Toplu işlem sırasında dosyaların işleme durumunu etiketlemek için genişletilmiş öznitelik adı kullanın. macos:OCRKit (%s)bunun yerine yerel macOS Finder etiketlerini kullanır veya macos:OCRKitdurum niteliğini içermez. Devlet özelliğinin sırası şunlardır: started, analyzed, processedve aynı zamanda olabilir encrypted.