我使用 Google 桌面搜索（我使用的是 Vista），但存档文件夹中并非所有 PDF 文件都能被识别。这是正常的，因为“包含扫描图像的 PDF 文件“未编入索引（http://desktop.google.com/support/bin/answer.py?hl=en&answer=90651）
因此，我想对许多尚未 OCR 的 PDF 文件进行 OCR。 我的目标：我给程序一个文件夹，然后它在子文件夹中单独搜索需要转换为 PDF-OCRed 文件的 PDF 文件。
注意：过去，如果 PDF 文件受密码保护，我会使用另一个批处理（付费）工具删除密码：verypdf.com“pwdremover”http://www.verypdf.com/pwdremover/
有什么（不太贵的）想法吗？
我已经尝试过：当时在 xp 上使用 Finereader 6 pro，但没有包含批处理器...使用 Tesseract 的 Paperfile paperfile.nethttp://code.google.com/p/tesseract-ocr/。但是 OCR 只是 PDF 转文本，而不是 PDF 转 PDF！还有另一个项目http://code.google.com/p/ocropus/
提前致谢 ;）
答案1
tl;dr？从 Nuance PowerPDF Advanced 开始。
2014 年 12 月，我评估了 OCR 软件，为一个大项目做准备 - 对数百万份英文页面进行批量 OCR。如果您愿意花几百美元，您有很多选择；如果您只需要转换几百页，试用版就可以帮您搞定。
许多软件包都希望加载所有输入文件，进行 OCR 并将混乱合并为单个输出。恕我直言，这完全是错误的，我不知道谁会想要那样。我正在寻找真正的批处理：每个输入文件都有一个输出文件，无人值守操作，不会因为任何事情而停止，最后给我一份详细的报告。剧透警告：我没有找到。
以下是按字母顺序排列的套餐。以下价格为清单，但折扣很多。我对准确性的评论持保留态度；您的输入与我的输入不同，因此您的里程肯定会有所不同。
ABBYY Finereader 12 Corporate：400 美元。批处理功能称为“任务管理器”，位于“工具”菜单上。它将处理文件夹中的文件（包括子文件夹）；它会很乐意为每个输入文件创建单独的输出文件。它似乎无法保留输入文件夹层次结构；所有输出文件都进入同一个输出文件夹。在我的测试中，它的准确率很高，但仍然是我在此处列出的软件包中最低的。
Adobe Acrobat XI：300 美元。批处理功能称为“文本识别/多个文件”，可通过单击“工具”（第三个工具栏，主屏幕右上方）找到。处理子文件夹，每个输入一个输出。如果发现受密码保护的文件，则停止并提出提示。默认情况下不保留输入目录树；可以通过将输出写入与输入相同的文件夹来保留。在我的测试中，准确度相当高。
Nuance OmniPage Ultimate（又名 v19）：500 美元。批处理功能称为“DocuDirect”，它是随软件包附带的单独程序。它将处理文件夹和子文件夹；如果您选择的功能恰到好处，它将在输出区域中保留输入目录树。每个输入都有一个输出。停止并要求输入受保护文件的密码。似乎充分利用了多核处理器来并行运行任务。准确度出色的。但是批处理器的稳定性较差；模糊的文档会使其停止运行，并且无法恢复，从而轻易使批处理脱轨。
Nuance PowerPDF Advanced v1.1（OmniPage Ultimate 的后继产品）：150 美元。批处理功能称为“批处理转换器”，可从主程序的“高级处理”选项卡下访问。它将处理文件夹和子文件夹，在输出中保留输入结构。每个输入一个输出。将使用多个内核，但不会过度使用；这意味着我无法让它饱和多核主机。准确度是优秀，与 OmniPage 一样好甚至更好。坏文件或模糊文件不会导致它挂起。批处理器写入（震惊) 将纯文本日志文件复制到输出目录。
ReadIris Corporate 14：600 美元。批量功能由“批量 OCR”项调用，单击主屏幕上的“来自文件”按钮即可显示该项。它将处理文件夹和子文件夹，每个输入对应一个输出，默认情况下，输出目录结构与输入目录结构匹配。停止并要求用户输入无效文件；通过对图像进行 OCR 处理，无任何进一步投诉地处理所有受保护的文档。准确度非常好，与 Acrobat 相当。
在我的台式机（只有双核）上，使用我选择的输入，每个包至少需要 3 秒钟来处理一个页面；有些需要更多时间。也许可以在具有更多核心的机器上降低这个时间。
陷阱比比皆是，一定要做好应对准备：无效的 PDF（某些软件包停止运行）、受密码保护的 PDF（某些软件包停止运行，其他软件包仍然转换！）以及旋转的页面（横向而不是纵向）。如果您希望批处理运行完成，您必须非常非常小心地准备这些软件包的输入区域。查看 GhostScript 软件包的打印到 PDF 功能，了解从 PDF 中删除保护的方法。
运行大批量可能会导致内存耗尽和挂起问题，尽管这不应该发生（啊 - 可能是内存泄漏）。如果您正在执行任何类型的自动化，那么一个大问题是事后发现真正发生了什么 - 哪些文档无法处理，哪些文档在处理过程中失败了，等等。这就像桌面软件人员从未听说过“日志文件”一样。
最终，即使是付费客户，获得这些大众市场软件包的支持也相当困难。例如，我向一位受人尊敬的客户支持代表抱怨一个软件包（不透露姓名）需要输入大量数据才能运行。我等了 36 个小时才放弃 :)。他们善意地建议将批处理大小限制为 300 个文档。这对我来说完全不可接受，但是嘿，这很快就关闭了支持单，对吧？这才是最重要的，对吧？唉。
高血压
答案2
Adobe Acrobat 将处理 PDF 文件夹，与大多数 Adobe 产品一样，它有一个30 天试用.
该功能位于‘文档’菜单中：
文档 > OCR 文本识别 > 使用 OCR 识别多个文件中的文本
您可以从那里添加您的文件夹。
在 Acrobat X 中该功能如下：
工具 > 识别文本 > 在多个文件中
答案3
实际上，pdfsandwich已在去年更新，在 Linux Mint 中安装对我来说一点也不难。它给出的结果不如 Adobe Acrobat，但它是我迄今为止在 Linux 中发现的唯一可行的解决方案。
答案4
尝试手表OCR。这是一个开源软件包，可将扫描的图像转换为可进行文本搜索的 PDF。它是免费的开源软件包，具有良好的 Web 界面，可用于远程管理。通过正确的配置，它可用于通过 SMB 共享为整个网络创建批量 PDF/OCR 服务。不幸的是，它仅适用于 Linux。但您可以将其安装在旧服务器上，然后您的整个组织都可以使用它。
如果你想在线执行相同操作而不安装任何东西，请尝试PDFCubed.com