使用OCR从扫描的PDF批量创建可搜索的PDF文件

软件推荐 | 2021-01-06 | 编程黑洞网 | 0条评论 | 456 人阅读

目标是将所有扫描的文档自动转换为可搜索的PDF文件，而不只是图像。扫描仪将扫描的文档作为PDF文件自动上传到Linux服务器上的共享中。

该软件应该能够监视该文件夹并自动对扫描的文档进行OCR，并将识别出的文本添加到PDF文件中以使其可搜索。它还应该能够很好地处理多页PDF。

要求：

Linux
Linux在后台自动工作，无需任何其他手动步骤
能够以适当的方式将OCRed文本重新添加到PDF中（以便桌面搜索引擎能够对其进行索引）
能够处理多页PDF文件

我猜Adobe Acrobat / Omnipage + Wine或某些VM是不可行的？

您需要实时监控还是只是接受每X倍的检查时间？

@NickWilde如果我可以从足以满足要求的cron作业中调用它，则不必是绝对实时的

另外，我建议不要覆盖原件-如果OCR弄乱了，最好保留它们；将原始名称重命名为％name％.bck.pdf或类似名称对您的用户来说可以吗？

我使用Microsoft OneNote作为OCR工具。右键单击图像，它可以复制图像中的整个文本，还可以搜索图像中的文本。它是免费且准确的，并且可以在Windows上运行，并且支持几乎所有图像格式。我不确定它是否可以在Ubuntu中运行，也不能通过Wine来运行，因为Microsoft Office现在可用于Mac OS，因此OneNote可以在其中运行。但这并不能自动完成，您必须将文件添加到OneNote工作簿中。它搜索多页PDF。值得一提的是，它支持多种语言：)英语，法语，西班牙语也

#1 楼

OCRmyPDF
网站：https://github.com/jbarlow83/OCRmyPDF

OCRmyPDF将OCR文本层添加到扫描的PDF文件中，从而允许要搜索的

#2 楼

pypdfocr
网站：https://pypi.python.org/pypi/pypdfocr

我写了一种非常简单的方法来搜索所有尚未存在的pdfs OCRed和OCR它们。

我注意到，如果pdf文件没有任何字体，通常它是无法搜索的。因此，知道了这一点，我们就可以使用pdffonts了。

pdffonts的前两行是表头，因此当文件可搜索时，有两行以上的输出，因此我们可以创建：

gedit check_pdf_searchable.sh

然后粘贴此

#!/bin/bash 
#set -vx
if ((`pdffonts "" | wc -l` < 3 )); then
echo 
pypdfocr ""
fi

然后使其可执行

chmod +x check_pdf_searchable.sh

然后在目录中列出所有不可搜索的pdf：

ls -1 ./*.pdf | xargs -L1 -I {} ./check_pdf_searchable.sh {}

tree -fai . | grep -P ".pdf$" | xargs -L1 -I {} ./check_pdf_searchable.sh {}