Ho una scansione di buona qualità di un documento; tale scansione è in formato pdf.

Come posso aggiungere informazioni ocr al pdf, in modo che possano essere ricercate? Per ricerca, intendo che l'obiettivo è che quando si visualizza il pdf con evince, CTRL-F in realtà mi permette di cercare nel contenuto pdf.

pdfsandwich

Fa quello che vuoi e fornisce i pacchetti deb Ubuntu. Utilizza tesseract come motore OCR. La seguente chiamata aggiunge il livello di testo al PDF acquisito:

pdfsandwich scanned.pdf

Di seguito fa lo stesso ma con un'altra lingua (codice ISO 639-2, tesseract-ocr-LANGCODEpacchetto download ) e impostazione del layout:

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

In caso di errore, scaricare deb dell'ultima versione da Sourceforge .

Disclaimer: sono lo sviluppatore di pdfsandwich e quindi ovviamente distorto.

Ci sono due progetti che fanno il trucco: GScan2PDF e OCRFeeder

Ho trovato una soluzione non ideale, ma molto efficace.

Uso PDF X-Change Viewer tramite Wine. Ha una funzione OCR che aggiunge un livello di testo al pdf basato su immagini esistente.

Quindi puoi cercare e copiare il testo da questo livello invisibile.

Per una soluzione da riga di comando, è possibile utilizzare pdfocr .

In breve, installa il software:

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

Quindi esegui pdfocr:

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

Ha funzionato per me su Ubuntu 12.04 LTS.

Una soluzione che è facilmente implementabile e fornisce un pdf di output con la stessa qualità del file di input più dimensioni ragionevoli è OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Questa è la mia soluzione rapida e sporca sulla base di ImageMagick di convert, tesseract, parallele pdftk(tutti disponibili sulle distribuzioni basate su Debian). È in gran parte basato su questo post del blog .

#!/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

Per l'intera directory con file ppm è possibile utilizzare questo script 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"