如何将pdf转换为文本可搜索的pdf？

Question

我有许多 pdf 格式的扫描文档，我希望能够搜索它们。我怎样才能做到这一点？

本质上，我必须对 pdf 进行 OCR，然后将提取的文本混合回新的 pdf。我尝试了许多不同的解决方案（包括将 OCR 信息添加到 PDF 中找到的解决方案），但均未成功。

1. pdfocr（这给了我这个问题：https : //github.com/gkovacs/pdfocr/issues/7）
2. pdfsandwich（软件中心说这是一个糟糕的包，我不应该安装它）
3. OCRfeeder（在软件中心）可以很好地导出为 odt，但在导出为 pdf 时没有反应。
4. Gscan2pdf导出全黑（但可搜索）图像，如本讨论中所述。
5. 我不认为 Pdfxchange 查看器可以处理超过 500 页的文件动态执行 ocr。

是否有我不知道的软件包？或执行此操作的脚本？

Answer 1

从 Ubuntu 16.04 开始，OCRmyPDF 已通过 apt 提供。赶紧跑

sudo apt install ocrmypdf
ocrmypdf -h   # to see the usage

最后，您可以使用以下命令对您的 pdf 进行 OCR：

ocrmypdf input.pdf output.pdf  # change input and output to the files you want

如果命令似乎没有响应，您可以使用-v标志增加详细程度（可以增量使用-vv或-vvv）。最好先在较短的 pdf 上测试结果。您可以按如下方式缩短 pdf：

pdftk A=input.pdf cat A1-5 output output.pdf

如果您有任何问题，请查看新的 Github Repo。

Answer 2

@don.joey 用ocrmypdf脚本回答。但是，现在可以直接安装（从 16.10 开始）。

sudo apt install ocrmypdf

然后你必须安装你需要的tesseract语言。

要列出系统中已经存在的语言，请键入：

tesseract --list-langs

如果您错过了一个，请安装它。例如，

sudo apt install tesseract-ocr-spa

现在您可以使用以下命令生成可搜索的 PDF（其质量会有所不同，具体取决于扫描的文档）

ocrmypdf -l 'spa' old.pdf new.pdf

当然，您可以查看其手册页以获取一些其他选项。

Answer 3

pdfsandwich正是执行这项工作。我不知道软件中心提供了一个软件包，但我在项目网站上为其提供了 Ubuntu deb 软件包（有关详细信息，请参阅http://www.tobias-elze.de/pdfsandwich/），包括当前最新版本 (0.1.2)，该版本不太可能出现在任何软件中心中。

如果您有扫描文件scanned_file.pdf，只需致电

pdfsandwich scanned_file.pdf

它会生成文件scanned_file_ocr.pdf，并将已识别的文本添加到扫描的页面中。

与大多数现有解决方案相比，它会自动检测安装的超立方体版本并相应地调整其行为。此外，它在 OCR 处理之前对扫描图像进行预处理，例如去偏或去除暗边缘等，这可以显着提高光学字符识别。

免责声明：我是 的开发者pdfsandwich，因此有很大的偏见。