主页 / ubuntu / 问题 / 473843
Accepted
don.joey
Asked: 2014-05-30 01:37:55 +0800 CST

如何将 pdf 转换为可文本搜索的 pdf？

  • 772

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。我尝试了多种不同的解决方案（包括在将 OCR 信息添加到 PDF中找到的解决方案）均未成功。

  1. pdfocr（这给了我这个问题：https ://github.com/gkovacs/pdfocr/issues/7 ）
  2. pdfsandwich（其中软件中心说它是一个糟糕的包，我不应该安装它）
  3. OCRfeeder（在软件中心）很好地导出到 odt，但在导出到 pdf 时没有反应。
  4. Gscan2pdf导出全黑（但可搜索）图像，如本讨论中所报告的那样。
  5. 我不认为 Pdfxchange 查看器可以处理对超过 500 页的文件进行即时 ocr。

有没有我不知道的软件包？或者执行此操作的脚本？

software-recommendation

7 个回答

  1. Best Answer

    从 Ubuntu 16.04 开始，OCRmyPDF 已通过 apt 可用。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（可以递增地用作-vv或-vvv）来增加详细程度。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Github 存储库。

    • 29

  2. @don.joey 用ocrmypdf脚本回答。不过现在可以直接安装了（16.10以后）。

    sudo apt install ocrmypdf

    然后你必须安装你需要的tesseract语言。

    要列出系统中已有的语言，请键入：

    tesseract --list-langs

    万一您错过了一个，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了解一些其他选项。

    • 12

  3. pdfsandwich正是执行这项工作。我不知道软件中心提供了一个包，但我在项目网站上为它提供了 Ubuntu deb 包（有关详细信息，请参见http://www.tobias-elze.de/pdfsandwich/），包括目前最新的版本 (0.1.2)，它不太可能出现在任何软件中心。

    如果您有扫描文件scanned_file.pdf，只需致电

    pdfsandwich scanned_file.pdf

    它生成的文件scanned_file_ocr.pdf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 tesseract 版本并相应地调整其行为。此外，它在 OCR 过程之前对扫描图像进行预处理，例如去歪斜或去除暗边缘等，这可以大大提高光学字符识别。

    免责声明：我是 的开发者pdfsandwich，因此有很大的偏见。

    • 5

  4. 我遇到了同样的问题，所以我在周末写了这篇文章。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/ElectricRCAircraftGuy/PDF2SearchablePDF

    安装和使用说明pdf2searchablepdf：

    2019 年 11 月 11 日在 Ubuntu 18.04 上测试。

    安装：

    git clone https://github.com/ElectricRCAircraftGuy/PDF2SearchablePDF.git
./PDF2SearchablePDF/install.sh
sudo apt update
sudo apt install tesseract-ocr

    利用：

    # 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。包装器没有 python 依赖项，因为它目前完全用 bash 编写。

    参考资料或相关资源：

    1. PDF2SearchablePDF：https ://github.com/ElectricRCAircraftGuy/PDF2SearchablePDF
    2. 如何将 pdf 转换为可文本搜索的 pdf？
    3. 最好、最简单的 OCR 解决方案是什么？
    4. 从 PDF 中提取嵌入的图像
    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/
    6. https://unix.stackexchange.com/questions/301318/how-to-ocr-a-pdf-file-and-get-the-text-stored-within-pdf/551526#551526
    7. [如何将 PDF 转换为一堆图像pdftoppm]从 PDF 中提取嵌入的图像
    • 3

  5. 操作系统：Ubuntu 18.04

    首先，安装tesseract-ocr：

    apt-cache show tesseract-ocr
sudo apt-get update && sudo apt-get upgrade
apt-get install tesseract-ocr --print-uris
apt-get install tesseract-ocr
sudo !!

    如果你要使用 tesseract 以外的语言，那么你必须安装相应的 laguage 包。例如，对于葡萄牙语，您需要执行以下操作：

    sudo apt-get install tesseract-ocr-por

    否则你会得到错误：

    Error opening data file /usr/share/tesseract-ocr/4.00/tessdata/por.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your 
"tessdata" directory.
Failed loading language 'por'
Tesseract couldn't load any languages!
Could not initialize tesseract.

    如果你用谷歌搜索“tesseract PDF”，你可能会发现这篇有点过​​时的文章。但是，它会为您提供一些有用的提示。您首先必须将.pdf文件转换为.tiff一个。跑：

    convert -density 125 originalfile.pdf -depth 8 -alpha Off newfile.tiff

    如果像在过时的帖子中一样，您忘记添加alpha -Off，您将收到以下错误： 

    Tesseract Open Source OCR Engine v4.0.0-beta.1 with Leptonica
Error in pixReadFromTiffStream: spp not in set {1,3,4}

    现在您可以运行最终命令。在您的原始 PDF 是葡萄牙语的特殊情况下，您将需要此命令：

    tesseract -l por newfile.tiff output pdf

    生成的文件将命名为output.pdf. 例如，如果您的 PDF 是法语的，那么在安装相应的 之后tesseract-ocr-fra，您将运行：

    tesseract -l fra newfile.tiff output pdf

    并且所需的文件将再次是output.pdf.

    • 1

  6. OCRfeeder有一个错误

    /usr/lib/python2.7/dist-packages/reportlab/pdfgen/textobject.py

    第 436 行应为：

                lines = asUnicode(stuff).strip().split('\n')
# bug here, was:
#            lines = '\n'.split(asUnicode(stuff).strip())

    改变了这个，它对我有用

    • 0

  7. 从 Ubuntu 16.04 开始，OCRmyPDF 已经可以通过apt. 只需运行以下命令即可安装它：

    sudo apt install ocrmypdf

    您还可以运行此命令以查看其用法：

    ocrmypdf -h

    最后，您可以使用以下命令对 PDF 进行 OCR：

    ocrmypdf input.pdf output.pdf

    （更改input.pdf和output.pdf您想要的文件）

    • 0

相关问题