Ich habe ein Dokument in guter Qualität gescannt. Ein solcher Scan ist im PDF-Format.

Wie kann ich ocr-Informationen zum PDF hinzufügen, damit es durchsuchbar wird? Mit durchsuchbar meine ich, dass das Ziel darin besteht, beim Anzeigen der PDF-Datei mit evince mit STRG-F tatsächlich nach PDF-Inhalten zu suchen.

pdfsandwich

Tut was Sie wollen und bietet Ubuntu Deb-Pakete. Es verwendet Tesseract als OCR-Engine. Der folgende Aufruf fügt die Textebene zu Ihrer gescannten PDF hinzu:

pdfsandwich scanned.pdf

Das Folgende funktioniert genauso, jedoch mit einer anderen Sprache (ISO 639-2-Code, Download- tesseract-ocr-LANGCODEPaket) und Einstellung des Layouts:

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

Wenn Sie eine Fehlermeldung erhalten, laden Sie bitte die letzte Version von Sourceforge herunter .

Haftungsausschluss: Ich bin der Entwickler von pdfsandwich und daher offensichtlich voreingenommen.

Es gibt zwei Projekte, die den Trick machen: GScan2PDF und OCRFeeder

Ich fand eine nicht ideale, aber sehr effektive Lösung.

Ich benutze PDF X-Change Viewer über Wine. Es verfügt über eine OCR-Funktion, die dem vorhandenen bildbasierten PDF eine Textebene hinzufügt.

So können Sie Text von dieser unsichtbaren Ebene suchen und kopieren.

Für eine Befehlszeilenlösung können Sie pdfocr verwenden .

Kurz gesagt, installieren Sie die Software:

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

Dann führen Sie pdfocr aus:

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

Das hat bei mir mit Ubuntu 12.04 LTS geklappt.

Eine Lösung, die einfach zu implementieren ist und ein Ausgabe-PDF mit der gleichen Qualität der Eingabedatei sowie einer angemessenen Größe bietet, ist OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Das ist meine schnelle und schmutzige Lösung auf Basis von ImageMagicks convert, tesseract, parallelund pdftk(alle auf dem Debian-basierten Distributionen). Es basiert größtenteils auf diesem Blogbeitrag .

#!/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

Für das gesamte Verzeichnis mit ppm-Dateien können Sie dieses Skript ppm2ocrpdf.sh verwenden

#!/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"