Tengo un escaneo de buena calidad de un documento; dicho escaneo está en formato pdf.

¿Cómo puedo agregar información ocr al pdf para que se pueda buscar? Al buscar, me refiero a que el objetivo es que al ver el pdf con evidencia, CTRL-F realmente me permite buscar en el contenido del pdf.

pdfsandwich

Hace lo que quiere y proporciona paquetes de Ubuntu Deb. Utiliza tesseract como motor OCR. La siguiente llamada agrega la capa de texto a su PDF escaneado:

pdfsandwich scanned.pdf

Lo siguiente hace lo mismo pero con otro idioma (código ISO 639-2, tesseract-ocr-LANGCODEpaquete de descarga ) y configurando el diseño:

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

Si obtiene algún error, descargue la última versión deb de Sourceforge .

Descargo de responsabilidad: soy el desarrollador de pdfsandwich y, por lo tanto, obviamente soy parcial.

Hay dos proyectos que hacen el truco: GScan2PDF y OCRFeeder

Encontré una solución no ideal, pero muy efectiva.

Yo uso PDF X-Change Viewer a través de Wine. Tiene una función de OCR que agrega una capa de texto al PDF existente basado en imágenes.

Por lo tanto, puede buscar y copiar texto de esta capa invisible.

Para una solución de línea de comando, puede usar pdfocr .

En resumen, instale el software:

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

Luego ejecute pdfocr:

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

Eso funcionó para mí en Ubuntu 12.04 LTS.

Una solución que es fácilmente implementable y que proporciona un PDF de salida con la misma calidad de archivo de entrada más un tamaño razonable es OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Esta es mi solución rápida y sucia basado en ImageMagick de convert, tesseract, parallely pdftk(todos disponibles en distribuciones basadas en Debian). Se basa en gran medida en esta publicación 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

Para todo el directorio con archivos ppm puede 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"