Bir belgenin iyi kalitede taramasını yapıyorum; bu tür tarama pdf formatındadır.

Aranabilir hale getirmek için pdf'ye ocr bilgisini nasıl ekleyebilirim? Aranabilir olarak demek istediğim, pdf'i evince ile izlerken CTRL-F aslında pdf içeriğinde arama yapmama izin veriyor.

pdfsandwich

İstediğinizi yapar ve Ubuntu deb paketleri sunar. OCR motoru olarak tesseract kullanır. Aşağıdaki çağrı, metin katmanını taranmış PDF'nize ekler:

pdfsandwich scanned.pdf

Aşağıdakiler aynısını yapar ancak başka bir dilde (ISO 639-2 kodu, indirme tesseract-ocr-LANGCODEpaketi) ve düzeni ayarlama:

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

Herhangi bir hata alırsanız lütfen Sourceforge'dan son sürüm deb dosyasını indirin .

Yasal Uyarı: Ben pdfsandwich geliştiricisi ve bu yüzden açıkça önyargılıyım.

Hile yapan iki proje var: GScan2PDF ve OCRFeeder

İdeal olmayan bir çözüm buldum ama çok etkili bir çözüm.

Kullandığım PDF X-Change Görüntüleyici Wine aracılığıyla. Mevcut görüntü tabanlı pdf'ye bir metin katmanı ekleyen bir OCR özelliğine sahiptir.

Böylece bu görünmez katmandan metin arayabilir ve kopyalayabilirsiniz.

Komut satırı çözümü için pdfocr kullanabilirsiniz .

Kısacası, yazılımı yükleyin:

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

Sonra pdfocr komutunu çalıştırın:

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

Bu benim için Ubuntu 12.04 LTS'de çalıştı.

Kolayca uygulanabilen ve aynı kalitede girdi dosyası ve uygun boyutta bir çıktı pdf sağlayan bir çözüm, OCRmyPDF'dir:

https://github.com/jbarlow83/OCRmyPDF

Bu benim hızlı ve kirli ImageMagick en dayanan çözüm convert, tesseract, parallelve pdftk(debian tabanlı dağıtımlarında tüm mevcut). Büyük ölçüde bu blog gönderisine dayanıyor .

#!/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

Ppm dosyalarının bulunduğu tüm dizin için bu ppm2ocrpdf.sh dosyasını kullanabilirsiniz.

#!/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"