gscan2pdf

OCR на многостраничных PDF или отсканированных документах

Это, наверное, самый простой способ. Gscan2pdf - это графический инструмент, который позволяет не только сканировать файлы, но и импортировать файлы и выполнять распознавание по ним. Установите gscan2pdf отсюда из Ubuntu Software Center или запустив эту команду в терминале:

sudo apt-get install gscan2pdf

• Запустите gscan2pdf
• Импортируйте PDF (Ctrl + O)
• Необязательно: Инструменты> Очистить
• Выберите "Инструменты"> "Сохранить OCR" (Ctrl + S).

Gscan2PDF может использовать настраиваемые механизмы распознавания, по умолчанию tesseract-ocr

Вы можете выбрать подходящий язык. В этом случае вам нужно будет установить tesseract-ocr-LANG пакет, где LANG это трехбуквенный код языка ISO 639-2. Сейчас у вас 108 языков на репо 16.04.

• Источник

Есть несколько популярных инструментов командной строки OCR, которые вы можете использовать (я не уверен, что они имеют графический интерфейс):

• Тессеракт ( ReadMe, FAQ) (Python)

  Также доступно для: Tesseract.NET, Tesseract iOS

  Механизм оптического распознавания текста, разработанный в лабораториях HP в период с 1985 по 1995 год... а теперь и в Google. Тессеракт, вероятно, является наиболее точным из доступных механизмов OCR с открытым исходным кодом.

  Использование:

  tesseract [inputFile] [outputFile] [-l optionalLanguageFile] [PathTohOCRConfigFile]
  

• GOCR

  Распознавание символов с открытым исходным кодом. Он преобразует отсканированные изображения текста обратно в текстовые файлы. GOCR может использоваться с разными интерфейсами, что позволяет очень легко портировать на разные ОС и архитектуры. Он может открывать много разных форматов изображений, и его качество улучшается с каждым днем.

• OCRopus™ ( FAQ) (написано на Python, NumPy и SciPy)

  Система оптического распознавания текста, ориентированная на использование крупномасштабного машинного обучения для решения проблем в анализе документов, с возможностью анализа разметки с помощью разметки, распознавания с помощью разметки, статистического моделирования на естественном языке и многоязычных возможностей

  Механизм OCRopus основан на двух исследовательских проектах: высокопроизводительном распознавателе рукописного ввода, разработанном в середине 90-х годов и развернутом Бюро переписи населения США, и новых высокопроизводительных методах анализа макетов.

  OCRopus - это разработка, спонсируемая Google и изначально предназначенная для высокопроизводительных и массовых преобразований документов. Мы ожидаем, что это также будет отличной системой распознавания текста для многих других приложений.

• Tessnet2 (с открытым исходным кодом, OCR, Tesseract,.NET, DOTNET, C#, VB.NET, C++ / CLI)

  Tesseract - это механизм распознавания текста с открытым исходным кодом на C++. Tessnet2 - это сборка.NET, предоставляющая очень простые методы для распознавания текста. Tessnet2 находится под лицензией Apache 2 (например, tesseract), что означает, что вы можете использовать его по своему усмотрению, включая коммерческие продукты.

Несколько других: ABBYY CLI OCR для Linux, Asprise OCR

Для более полного списка, проверьте: Список программного обеспечения для оптического распознавания символов в Википедии

Смотрите также: wanghaisheng/awesome-ocr - Кураторский список перспективных ресурсов OCR на GitHub.

Просто потому, что он работает очень хорошо и обязательно должен быть в списке:

gimageReader
Пример из скриншота:

Он находится в репозиториях (ответил 18.10, но использовал его целую вечность)

линукс-интеллигентный OCR-решение

отказ от ответственности - я тесно связан с разработкой этого решения с открытым исходным кодом

Лиос может конвертировать печать в текст с помощью сканера или камеры.

Он также может создавать текст из отсканированных изображений из других источников, таких как Pdf, изображение или папка, содержащая изображения.

Программе предоставляется полная доступность для слабовидящих.

Так как я тесно связан - мне бы очень понравилась обратная связь.

• Сайт в Sourceforge
• Исходный код
• Форум

Лучший и самый простой выход - использовать pypdfocr это не меняет PDF. pypdfocr - ссылка на модуль Python здесь.

pypdfocr your_document.pdf

В конце у вас будет еще один your_document_ocr.pdf так, как вы хотите с поиском текста. Приложение не меняет качество изображения. Немного увеличивает размер файла, добавляя оверлейный текст.

Я думаю, что команда довольно проста, что она не нуждается в графическом интерфейсе. Возможно установка pypdfocr немного более многословна:

sudo apt install tesseract-ocr 
pip install pypdfocr 

Обновление 3 ноября 2018 года:

pypdfocr больше не поддерживается с 2016 года, и я заметил некоторые проблемы из-за незанятости. ocrmypdf( модуль выполняет знакомую работу и может использоваться следующим образом:

ocrmypdf in.pdf out.pdf

Установить:

pip install ocrmypdf

или же

apt install ocrmypdf

Я только что имел успех (до 16.04) с pdfocr.rb. Это указано в Ubuntu Wiki

Вот ppa, но хранилище для 16.04 не обновляется. Сценарий ruby ​​выше от github, хотя все еще работает с 16.04.

Вы можете скачать его с Github. Вам понадобятся следующие установленные пакеты:

ruby tesseract-ocr pdftk exactimage

затем сделал pdfocr.rb исполняемым и запустил:

./pdfocf.rb -i source.pdf -o output.pdf

При желании вы можете использовать -l LANG параметр. В этом случае вам нужно будет установить tesseract-ocr-LANG пакет, где LANG это трехбуквенный код языка ISO 639-2. Сейчас у вас 108 языков на репо 16.04.

gscan2pdf включает в себя 3 различных движка ocr. Вы можете отсканировать прямо в программу или импортировать PDF в программу. Я обнаружил, что движок Tesseract прекрасно работает и очень прост в использовании.

OCRFeeder уже упоминался как один из многих вариантов, но я подумал, что стоит упомянуть, почему он соответствует вашим требованиям:

• У него есть графический интерфейс (в отличие от некоторых приложений, упомянутых в некоторых других ответах).
• Его легко использовать (нажмите « Добавить изображение », затем нажмите « Распознать документ » ) .

Кроме того, он обладает и другими качествами, которые делают его отличным выбором:

• Это всего лишь внешний интерфейс, который может использовать один из нескольких серверных модулей (движков) со встроенной поддержкой CuneiForm, GOCR, Ocrad и Tesseract ( https://gitlab.gnome.org/GNOME/ocrfeeder/-/blob/master ). /src/ocrfeeder/util/configuration.py).
• Он упакован для Ubuntu (как ocrfeeder)
• На момент публикации он все еще находится в активной разработке.
• Это часть проекта Gnome.