J'ai une bonne numérisation d'un document; cette numérisation est au format pdf.

Comment puis-je ajouter des informations ocr au pdf, afin qu'elles deviennent consultables? Par recherche, je veux dire que le but est que lors de la visualisation du pdf avec evince, CTRL-F me permet en fait de rechercher dans le contenu du pdf.

pdfsandwich

Fait ce que vous voulez et fournit des paquets deb Ubuntu. Il utilise tesseract comme moteur OCR. L'appel suivant ajoute la couche de texte à votre PDF numérisé:

pdfsandwich scanned.pdf

Ce qui suit fait la même chose mais avec une autre langue (code ISO 639-2, tesseract-ocr-LANGCODEpackage de téléchargement ) et la mise en page:

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

Si vous obtenez une erreur, veuillez télécharger la dernière version deb de Sourceforge .

Avertissement: je suis le développeur de pdfsandwich et donc évidemment biaisé.

Il y a deux projets qui font l'affaire: GScan2PDF et OCRFeeder

J'ai trouvé une solution non idéale, mais très efficace.

J'utilise PDF X-Change Viewer via Wine. Il dispose d'une fonction OCR qui ajoute une couche de texte au pdf basé sur l'image existant.

Ainsi, vous pouvez rechercher et copier du texte à partir de ce calque invisible.

Pour une solution en ligne de commande, vous pouvez utiliser pdfocr .

En bref, installez le logiciel:

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

Exécutez ensuite pdfocr:

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

Cela a fonctionné pour moi sur Ubuntu 12.04 LTS.

OCRmyPDF est une solution facilement implémentable et fournissant un fichier PDF de sortie avec la même qualité de fichier d'entrée et une taille raisonnable:

https://github.com/jbarlow83/OCRmyPDF

Ceci est ma solution rapide et sale sur la base de ImageMagick convert, tesseract, parallelet pdftk(toutes disponibles sur les distributions basées sur debian-). Il est largement basé sur cet article de blog .

#!/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

Pour un répertoire entier avec des fichiers ppm, vous pouvez utiliser ce script ppm2ocrpdf.sh

#!/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"