一些公司为其扫描仪*提供适用于 Windows 的软件，该软件可以从扫描的页面创建 PDF，这些 PDF 看起来与扫描的材料完全相同（就好像它只是整页图像），但文本可以被识别和复制。
如何在 Ubuntu 上创建这样的 PDF？
请注意，我不想将扫描的文本转换为常规文本。我希望保留生成的 PDF 看起来与原始页面一样完美，但在其上添加可识别的文本层以方便使用。
我有一台可以正常工作的高分辨率扫描仪，目前我将其与 XSane 一起使用。它可以很好地扫描页面并创建漂亮的高 DPI 图像。
* 即佳能 LiDE 220
答案1
前言
您正在寻找PDF 三明治，即，扫描的 PDF 中有一层不可见的文本层（或者只是简单地放置在每页图片后面的一层文本）。
有几种方法可以创建一个。我将使用纸自动文本检索中的术语加权方法作为需要 OCR 的文档的示例。
命令pdfsandwich
首先，从存储库安装此工具：
sudo apt install pdfsandwich
然后您可以在 PDF 文件上运行它并等待：
pdfsandwich document.pdf
过去，这种方法不太精确，尤其是文本定位。现在情况似乎好多了。PDF 中的示例：
摘要——过去 20 年积累的实验证据表明
如果您在 Evince 中突出显示文本，则会显示黑框。
PDF-XChange 查看器
这是一个免费软件，仅适用于 Windows 的程序 在 Wine 下完美运行如果您在 32 位 Wine 前缀中使用 32 位版本。为此，我建议使用 PlayOnLinux，因为它可以非常轻松地选择最新的 Wine 版本，并且您需要 32 位前缀。
安装后，您可以运行它并选择工具栏上的 OCR 图标：
输出结果通常非常好，文本位置精确。PDF 中的示例：
摘要——过去 20 年积累的实验证据表明
如果您在 Evince 中突出显示文本，则该文本将以无衬线字体显示。
OCR.空间
这实际上是一个 Web 服务。转到ocr.空间并选择文件和语言，然后选中“创建可搜索的 PDF 并添加不可见文本层”选项。按下按钮并等待文档上传和转换。
不幸的是，横向页面存在错误，无法在输出中正确呈现。我已将此事告知作者，他们也承认了这个问题。
OCR我的PDF
我根据我在这个答案关于超级用户。
OCRmyPDF 是一个用 Python 编写的多平台程序，基于 Ghostscript、Tesseract 和 Unpaper。摘自文档：
OCRmyPDF 的作用
OCRmyPDF 分析 PDF 的每一页，以确定捕获该页上所有信息而不丢失内容所需的色彩空间和分辨率 (DPI)。它使用 Ghostscript 对页面进行栅格化，然后在栅格化图像上执行 OCR 以创建 OCR“层”。然后将该层重新移植到原始 PDF 上。
它可以轻松安装在 Debian 和 Ubuntu 衍生产品上：
apt-get install ocrmypdf
您可能需要为 Tesseract 安装其他词典，具体取决于您要使用的语言。您可以找到软件包名称列表这里（适用于 macOS，但在 Ubuntu 上是相同的）。
使用方法非常简单，我建议您使用可选的-d(deskew) 和-c(clean) 参数以获得更好的效果。它会在运行 OCR 过程之前拉直每一页并清除小点/瑕疵。
您可以（并且应该）为语言提供-l。
以下是取自这份歪曲的文件用意大利语写成：
我使用的命令是：
ocrmypdf -l ita -d -c input.pdf output.pdf
PDF24 主办OCRmyPDF 的免费网络版本可以无限制使用。