Eu tenho uma digitalização de boa qualidade de um documento; essa digitalização está em formato pdf.

Como posso adicionar informações ocr ao pdf, para que elas se tornem pesquisáveis? Por pesquisável, quero dizer que o objetivo é que, ao visualizar o pdf com evince, o CTRL-F realmente me permita pesquisar no conteúdo em pdf.

pdfsandwich

Faz o que você deseja e fornece pacotes deb do Ubuntu. Ele usa o tesseract como mecanismo de OCR. A chamada a seguir adiciona a camada de texto ao seu PDF digitalizado:

pdfsandwich scanned.pdf

A seguir, faz o mesmo, mas com outro idioma (código ISO 639-2, tesseract-ocr-LANGCODEpacote de download ) e definindo o layout:

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

Se houver algum erro, faça o download da última versão deb do Sourceforge .

Disclaimer: Eu sou o desenvolvedor do pdfsandwich e, portanto, obviamente tendencioso.

Existem dois projetos que fazem o truque: GScan2PDF e OCRFeeder

Encontrei uma solução não ideal, mas muito eficaz.

Eu uso o PDF X-Change Viewer através do Wine. Possui um recurso de OCR que adiciona uma camada de texto ao pdf baseado em imagem existente.

Assim, você pode pesquisar e copiar texto dessa camada invisível.

Para uma solução de linha de comando, você pode usar o pdfocr .

Em resumo, instale o software:

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

Em seguida, execute o pdfocr:

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

Isso funcionou para mim no Ubuntu 12.04 LTS.

Uma solução que é facilmente implementável e fornece um pdf de saída com a mesma qualidade de arquivo de entrada e tamanho razoável é o OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Esta é a minha solução rápida e suja com base em ImageMagick de convert, tesseract, parallele pdftk(todos disponíveis em distribuições baseadas em Debian). É amplamente baseado nesta postagem do 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

Para um diretório inteiro com arquivos ppm, você pode usar este 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"