☰

如何将 pdf 转换为可进行文本搜索的 pdf？

tag-icon • tag-icon software-recommendation pdf ocr
如何将 pdf 转换为可进行文本搜索的 pdf？

我有许多 PDF 格式的扫描文档，我想搜索它们。我该怎么做？

本质上我必须对 PDF 进行 OCR，然后将提取的文本重新混合到新的 PDF 中。我尝试了许多不同的解决方案（包括在将 OCR 信息添加到 PDF）。

  1. pdfocr（这给了我这个问题：https://github.com/gkovacs/pdfocr/issues/7）
  2. pdfsandwich（其中软件中心说这是一个劣质软件包，我不应该安装它）
  3. OCRfeeder（在软件中心）可以很好地导出到 odt，但导出到 pdf 时没有反应。
  4. Gscan2pdf导出全黑（但可搜索）的图像，如报告所示在这次讨论中。
  5. 我认为 Pdfxchange Viewer 无法对超过 500 页的文件进行即时 OCR 处理。

是否有我不知道的软件包？或者有可以执行此操作的脚本？

答案1

从 Ubuntu 16.04 开始，OCRmyPDF 已可通过 apt 获得。只需运行

sudo apt install ocrmypdf
ocrmypdf -h   # to see the usage

最后，你可以使用以下命令对你的 PDF 进行 OCR：

ocrmypdf input.pdf output.pdf  # change input and output to the files you want

如果命令似乎没有响应，您可以使用标志-v（可以逐步使用-vv或-vvv）增加详细程度。最好先在较短的 pdf 上测试结果。您可以按如下方式缩短 pdf：

pdftk A=input.pdf cat A1-5 output output.pdf

如果你有任何问题，请查看Github 仓库。

答案2

@don.joey 回答说ocrmypdf脚本。但是，现在可以直接安装（从 16.10 开始）。

sudo apt install ocrmypdf

然后你必须安装立方体您需要的语言。

要列出系统中已有的语言，请输入：

tesseract --list-langs

如果你错过了，请安装它。例如，

sudo apt install tesseract-ocr-spa

现在，您可以使用以下命令生成可搜索的 PDF（其质量会有所不同，具体取决于扫描的文档）

ocrmypdf -l 'spa' old.pdf new.pdf

当然，您可以查看其手册页来了解一些附加选项。

答案3

pdfsandwich正是执行此工作。我不知道软件中心提供了此软件包，但我在项目网站上提供了 Ubuntu deb 软件包（请参阅http://www.tobias-elze.de/pdfsandwich/有关详细信息），包括当前的最新版本（0.1.2），该版本不太可能出现在任何软件中心中。

如果您有扫描文件scanned_file.pdf，只需致电

pdfsandwich scanned_file.pdf

它会生成一个文件scanned_file_ocr.pdf，其中将识别的文本添加到扫描的页面中。

与大多数现有解决方案相比，它会自动检测已安装的 Tesseract 版本并相应地调整其行为。此外，它在 OCR 过程之前对扫描图像进行预处理，例如去偏或去除暗边等，这可以大大提高光学字符识别率。

免责声明：我是的开发者pdfsandwich，因此有严重的偏见。

答案4

操作系统：Ubuntu 18.04

首先，安装tesseract-ocr：

apt-cache show tesseract-ocr
sudo apt-get update && sudo apt-get upgrade
apt-get install tesseract-ocr --print-uris
apt-get install tesseract-ocr
sudo !!

如果您要在 tesseract 中使用英语以外的语言，则必须安装相应的语言包。例如，对于葡萄牙语，您需要执行以下操作：

sudo apt-get install tesseract-ocr-por

否则你会收到错误：

Error opening data file /usr/share/tesseract-ocr/4.00/tessdata/por.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your 
"tessdata" directory.
Failed loading language 'por'
Tesseract couldn't load any languages!
Could not initialize tesseract.

如果你谷歌搜索“tesseract PDF”，你可能会找到这个有点过时的帖子。但是，它给你一些有用的提示。你首先必须将.pdf文件转换为一个.tiff。运行：

convert -density 125 originalfile.pdf -depth 8 -alpha Off newfile.tiff

如果像在过时的帖子中一样，您忘记添加alpha -Off，则会出现以下错误：

Tesseract Open Source OCR Engine v4.0.0-beta.1 with Leptonica
Error in pixReadFromTiffStream: spp not in set {1,3,4}

现在您可以运行最后一个命令。如果您的原始 PDF 是葡萄牙语，则需要以下命令：

tesseract -l por newfile.tiff output pdf

生成的文件将被命名为output.pdf。例如，如果您的 PDF 是法语的，则在安装相应的后tesseract-ocr-fra，您将运行：

tesseract -l fra newfile.tiff output pdf

并且所需文件将再次是output.pdf。

相关内容