如何对 PDF 文件进行 OCR 并获取存储在 PDF 中的文本？

Question

首先，如果之前有人问过这个问题，我深表歉意——我在现有的帖子中搜索了一段时间，但找不到支持。

我对 Fedora 对多页不可搜索 PDF 进行 OCR 并将此 PDF 转换为包含图像顶部文本层的新 PDF 文件的解决方案感兴趣。在 Mac OSX 或 Windows 上，我们可以使用 Adob​​e Acrobat，但在 Linux 上有没有解决方案，特别是在 Fedora 上？

这似乎描述了一个解决方案 - 但不幸的是，我在检索精确图像时已经迷路了。

Answer 1

最好和最简单的方法是使用，pypdfocr因为它不会更改 pdf。pypdfocr 是这里的 python 模块链接。

pypdfocr your_document.pdf

最后，您将获得另your_document_ocr.pdf一种您想要的带有可搜索文本的方式。该应用程序不会改变图像的质量。通过添加覆盖文本稍微增加文件的大小。

我认为该命令非常简单，不需要任何 GUI。也许安装 pypdfocr 有点冗长：

sudo dnf -y install tesseract 
pip install pypdfocr 

2018 年 11 月 3 日更新：

pypdfocr自 2016 年起不再受支持，由于未维护，我注意到了一些问题。ocrmypdf( module ) 做类似的工作，可以这样使用：

ocrmypdf in.pdf out.pdf

安装：

pip install ocrmypdf

或者

sudo apt install ocrmypdf #ubuntu
sudo dnf -y install ocrmypdf #fedora

Answer 2

在了解到Tesseract现在也可以生成可搜索的 PDF 后，我找到了脚本三明治：http : //www.tobias-elze.de/pdfsandwich/

安装依赖项后（这可能不是完整列表）

sudo dnf install svn ocaml unpaper tesseract

我按照脚本的指南从源代码编译

从源代码编译

pdfsandwich 是开源软件（许可证：GPL）。您可以从项目网站上的下载区域下载 .tar.bz2 包形式的源代码，也可以通过 subversion 查看它们：

svn checkout svn://svn.code.sf.net/p/pdfsandwich/code/trunk/src pdfsandwich

如果你的系统上安装了OCaml，你可以编译安装如下：

cd pdfsandwich
./configure
make
sudo make install

这现在允许我运行

sandwich multipaged-non-searchable.pdf

生成可搜索的 PDF。

这是包含 pdfsandwich 的存储库列表（例如，Debian Stable、AUR、Homebrew）。

Answer 3

Ubuntu 中提供的一个简单工具是“ocrfeeder”，它允许生成带有 OCR 文本覆盖在原始文档上的 PDF。它利用 Tesseract 加上其他 OCR 引擎（不确定是哪个）并提供图像旋转/“无纸化”等。

• http://live.gnome.org/OCRFeeder
• https://github.com/GNOME/ocrfeeder

Answer 4

我有同样的问题，所以我在周末写了这个。试一试; 效果很好！它是一个简单的包装器tesseract。它用于pdftoppm将 PDF 转换为一堆 TIFF 文件，然后用于tesseract对它们执行 OCR（光学字符识别）并生成可搜索的 PDF 作为输出。脚本完成后，所有中间临时文件都会自动删除。

源代码：https : //github.com/ElectricRCAAircraftGuy/PDF2SearchablePDF

安装和使用说明pdf2searchablepdf：

2019 年 11 月 11 日在Ubuntu 18.04和2020年 11 月Ubuntu 20.04上进行了测试。

安装：

git clone https://github.com/ElectricRCAircraftGuy/PDF2SearchablePDF.git
./PDF2SearchablePDF/install.sh

sudo apt update
sudo apt install tesseract-ocr

用：

# General:
pdf2searchablepdf [options] <input.pdf|dir_of_imgs> [lang]

# Make a PDF searchable:
pdf2searchablepdf mypdf.pdf

# Make an entire directory of images into a single searchable PDF:
pdf2searchablepdf directory_of_imgs

您现在将拥有一个名为mypdf_searchable.pdf的 pdf ，其中包含可搜索的文本！

完毕。它没有 python 依赖项，因为它目前完全用 bash 编写。

有关pdf2searchablepdf -h帮助菜单以及更多选项和示例的信息，请参见。

参考资料或相关资源：

1. PDF2SearchablePDF : https://github.com/ElectricRCAircraftGuy/PDF2SearchablePDF
2. https://askubuntu.com/questions/473843/how-to-turn-a-pdf-into-a-text-searchable-pdf/1187881#1187881
3. https://askubuntu.com/questions/16268/whats-the-best-simplest-ocr-solution
4. https://askubuntu.com/questions/150100/extracting-embedded-images-from-a-pdf/1187844#1187844
5. pdfsandwich：我刚刚发现的替代软件包装器，也值得一试！http://www.tobias-elze.de/pdfsandwich/