Risposte:
Ho avuto successo con la licenza BSD Porta Linux di Cuneiform Sistema OCR.
Nessun pacchetto binario sembra essere disponibile, quindi è necessario crearlo dal sorgente. Assicurarsi di avere le librerie ImageMagick C ++ installate per supportare sostanzialmente qualsiasi formato di immagine di input (altrimenti accetterà solo BMP).
Sebbene sembri essenzialmente non documentato a parte un breve file README, ho trovato i risultati dell'OCR piuttosto buoni. La cosa bella è che può fornire informazioni sulla posizione per il testo OCR in hOCR formato, in modo che sia possibile reinserire il testo nella posizione corretta in un livello nascosto di un file PDF. In questo modo puoi creare PDF "ricercabili" dai quali copiare il testo.
ho usato hocr2pdf per ricreare i PDF con i PDF originali e i risultati OCR originali. Purtroppo, il programma non sembra supportare la creazione di PDF multipagina, quindi potrebbe essere necessario creare uno script per gestirli:
#!/bin/bash
# Run OCR on a multi-page PDF file and create a new pdf with the
# extracted text in hidden layer. Requires cuneiform, hocr2pdf, gs.
# Usage: ./dwim.sh input.pdf output.pdf
set -e
input="$1"
output="$2"
tmpdir="$(mktemp -d)"
# extract images of the pages (note: resolution hard-coded)
gs -SDEVICE=tiffg4 -r300x300 -sOutputFile="$tmpdir/page-%04d.tiff" -dNOPAUSE -dBATCH -- "$input"
# OCR each page individually and convert into PDF
for page in "$tmpdir"/page-*.tiff
do
base="${page%.tiff}"
cuneiform -f hocr -o "$base.html" "$page"
hocr2pdf -i "$page" -o "$base.pdf" < "$base.html"
done
# combine the pages into one PDF
gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -sOutputFile="$output" "$tmpdir"/page-*.pdf
rm -rf -- "$tmpdir"
Si prega di notare che lo script di cui sopra è molto rudimentale. Ad esempio, non conserva alcun metadato PDF.
aspell check --mode=html "$base.html" nella scrittura subito dopo l'esecuzione di cuneiforme.
Vedi se pdftotext funzionerà per te Se non è sul tuo computer, dovrai installare il pacchetto poppler-utils
sudo apt-get install poppler-utils
Potresti anche trovare il pdf toolkit d'uso.
Una lista completa di software pdf Qui su wikipedia.
Modificare: Da te ho bisogno Funzionalità OCR, penso che dovrai provare una virata diversa. (Io non sono riuscito a trovare un convertitore linux pdf2text che faccia OCR).
Converti pdf in immagine
gs: The sotto il comando dovrebbe convertire pdf multipagina in singoli file tiff.
gs -SDEVICE = tiffg4 -r600x600 -sPAPERSIZE = letter -sOutputFile = filename_% 04d.tif -dNOPAUSE -dBATCH - filename
Utilità di ImageMagick : Ci sono altre domande sul sito SuperUser sull'uso di ImageMagick che potresti usare per aiutarti a fare la conversione.
converti foo.pdf foo.png
Converti l'immagine in testo con OCR
Tratto da Wikipedia elenco di software OCR
Documenti Google volontà adesso usa OCR per convertire i tuoi documenti immagine / pdf caricati in testo. Ho avuto un buon successo con esso.
Stanno usando il sistema OCR che viene utilizzato per il gigantesco libri di Google progetto.
Tuttavia, si deve notare che solo i PDF fino a una dimensione di 2 MB saranno accettati per l'elaborazione.
Aggiornare
1. Per provarlo, carica un pdf di & lt; 2MB in google docs da un browser web.
2. Fai clic con il pulsante destro del mouse sul documento caricato e fai clic su "Apri con Google Documenti".
... Google Docs verrà convertito in testo e prodotto in un nuovo file con lo stesso nome, ma Google Documenti nella stessa cartella.
Geza Kovacs ha creato un pacchetto di Ubuntu che è fondamentalmente uno script che usa hocr2pdf come suggerito da Jukka, ma rende le cose un po 'più veloci da configurare.
Da Geza's Ubuntu post sul forum con dettagli sul pacchetto ...
Aggiunta del repository e installazione in Ubuntu
sudo add-apt-repository ppa:gezakovacs/pdfocr
sudo apt-get update
sudo apt-get install pdfocr
Eseguire ocr su un file
pdfocr -i input.pdf -o output.pdf
Repository GitHub per il codice https://github.com/gkovacs/pdfocr/
PDFBeads funziona bene per me. Questo thread " Converti le immagini scansionate in un singolo file PDF "Mi ha preso e funzionante. Per una scansione di libri b & amp; w, è necessario:
Nella nuova cartella, esegui
pdfbeads * > ../Output.pdf
Ciò inserirà il PDF OCR collated nella directory principale.
un altro script usando tesseract:
#!/bin/bash
# Run OCR on a multi-page PDF file and create a txt with the
# extracted text in hidden layer. Requires tesseract, gs.
# Usage: ./pdf2ocr.sh input.pdf output.txt
set -e
input="$1"
output="$2"
tmpdir="$(mktemp -d)"
# extract images of the pages (note: resolution hard-coded)
gs -SDEVICE=tiff24nc -r300x300 -sOutputFile="$tmpdir/page-%04d.tiff" -dNOPAUSE -dBATCH -- "$input"
# OCR each page individually and convert into PDF
for page in "$tmpdir"/page-*.tiff
do
base="${page%.tiff}"
tesseract "$base.tiff" $base
done
# combine the pages into one txt
cat "$tmpdir"/page-*.txt > $output
rm -rf -- "$tmpdir"
Biblioteca OCR di Asprise funziona sulla maggior parte delle versioni di Linux. Può richiedere l'input e l'output PDF come PDF di ricerca.
È un pacchetto commerciale. Scarica una copia gratuita di Asprise OCR SDK per Linux qui ed eseguilo in questo modo:
aocr.sh input.pdf pdf
Nota: il 'pdf' standalone specifica il formato di output.
Disclaimer: sono un dipendente dell'azienda che produce il prodotto sopra.
L'uscita migliore e più semplice è da utilizzare pypdfocr non cambia il pdf
pypdfocr your_document.pdf
Alla fine ne avrai un altro your_document_ocr.pdf nel modo in cui lo vuoi con testo ricercabile. L'app non cambia la qualità dell'immagine. Aumenta leggermente la dimensione del file aggiungendo il testo di sovrapposizione.
pypdfocr non è più supportato dal 2016 e ho notato alcuni problemi a causa del mancato mentoring. ocrmypdf ( modulo ) fa un lavoro simile e può essere usato in questo modo:
ocrmypdf in.pdf out.pdf
Installare:
pip install ocrmypdf
o
apt install ocrmypdf
Provare Apache PDFBox per estrarre il contenuto di testo dal file PDF. In caso di utilizzo di immagini incorporate in file PDF ABBYY FineReader Engine CLI per Linux estrarre il testo.