首页 > Ai资讯 > Ai知识库 > OCRmyPDF—可智能识别PDF文本和图片信息的工具

OCRmyPDF—可智能识别PDF文本和图片信息的工具

发布时间:2024年06月06日

OCRmyPDF向扫描的PDF文件添加了OCR文本层,使它们可以被搜索或复制粘贴。

·

1、ocrmypdf                      # 它是一个可编程的命令行程序  
2、 -l eng+fra                 # 它支持多种语言 
3、  --rotate-pages             # 它可以修正方向错误的页面   
4、--deskew                   # 它可以纠正扭曲的PDF文件!  
5、 --title "My PDF"           # 它可以更改输出元数据   
6、--jobs 4                   # 它默认使用多个核心   
7、--output-type pdfa         # 它默认产生PDF/A格式文件  
8、 input_scanned.pdf          # 接受PDF输入(或图像)   
9、output_searchable.pdf      # 生成经过验证的PDF输出

查看发布说明[1]以获取最新更改的详细信息。

主要特性

•从普通PDF生成可搜索的PDF/A文件

•在图像下方准确放置OCR文本,以便于复制/粘贴

•保持原始嵌入图像的确切分辨率

•在可能的情况下,将OCR信息作为“无损”操作插入,不会干扰其他内容

•优化PDF图像,通常产生的文件比输入文件小

•如果需要,可以在执行OCR之前对图像进行纠偏和/或清洁

•验证输入和输出文件

•在所有可用的CPU核心之间分配工作

•使用Tesseract OCR引擎识别超过100种语言

•保护您的私人数据安全。

•能够正确处理包含数千页的文件。

•在数百万PDF文件上经过实战测试。IMG_256

更多详情:请参阅文档[2]

动机

我在网上搜索了一个免费的命令行工具来对PDF文件进行OCR:我找到了很多,但没有一个真正令人满意:

•要么它们生成的PDF文件中的文本放置错误(使得无法复制/粘贴)•要么它们处理不了重音和多语言字符•要么它们改变了嵌入图像的分辨率•要么它们生成了非常大的PDF文件•要么在尝试进行OCR时崩溃•要么它们没有生成有效的PDF文件•最重要的是,它们都没有生成PDF/A文件(专为长期存储而设计的格式)

...所以我决定开发自己的工具。

安装

LinuxWindowsmacOSFreeBSD都支持。也提供了x64ARMDocker镜像。

操作系统

安装命令

Debian, Ubuntu

apt install ocrmypdf

Windows子系统(Linux

apt install ocrmypdf

Fedora

dnf install ocrmypdf

macOS (Homebrew)

brew install ocrmypdf

macOS (nix)

nix-env -i ocrmypdf

LinuxBrew

brew install ocrmypdf

FreeBSD

pkg install py-ocrmypdf

Conda

conda install ocrmypdf

Ubuntu Snap

snap install ocrmypdf

对于其他人,请参阅我们的文档[3]了解安装步骤。

语言

OCRmyPDF使用Tesseract进行OCR,并依赖于其语言包。对于Linux用户,您通常可以找到提供语言包的软件包:

·

# 显示所有Tesseract语言包的列表apt-cache search tesseract-ocr
# Debian/Ubuntu
用户apt-get install tesseract-ocr-chi-sim  # 示例:安装中文简体语言包
# Arch Linux
用户pacman -S tesseract-data-eng tesseract-data-deu # 示例:安装英文和德文语言包
# brew macOS
用户brew install tesseract-lang

然后,您可以传递-l LANG参数给OCRmyPDF,以提示它应该搜索哪些语言。可以请求多种语言。

OCRmyPDF支持Tesseract 4.1.1+。它会自动使用在PATH环境变量中首先找到的版本。在Windows上,如果PATH没有提供Tesseract二进制文件,我们将使用根据Windows注册表安装的最高版本号。

文档和支持

安装OCRmyPDF后,可以通过以下方式访问内置帮助,该帮助解释了命令语法和选项:

·

ocrmypdf --help

我们的文档托管在Read
the Docs[4]
上。

请在我们的GitHub问题页面[5]报告问题,并遵循问题模板以获得快速响应。

要求

除了需要的Python版本(3.8+)之外,OCRmyPDF还需要外部程序安装GhostscriptTesseract OCROCRmyPDF是纯Python编写的,几乎可以在任何系统上运行:LinuxmacOSWindowsFreeBSD

媒体报道

使用OCRmyPDF实现无纸化[6]

将扫描文档转换成可压缩的可搜索PDF,并进行涂改[7]

c't 1-2014, 59[8]: 在德国领先的IT杂志c't中详细介绍OCRmyPDF v1.0

heise开源,09/2014:
使用OCRmyPDF进行文本识别[9]

heise创建可搜索的PDF文档与OCRmyPDF[10]

优秀工具:OCRmyPDF[11]

Linux用户使用OCRmyPDFScanbd自动化文本识别[12]

Y Combinator讨论[13]

商业咨询

没有公司和用户选择支持功能开发和咨询查询,OCRmyPDF就不会成为今天的软件。我们乐于讨论所有咨询,无论是扩展现有功能集,还是将OCRmyPDF整合到更大的系统中。

许可

OCRmyPDF软件根据Mozilla公共许可证2.0MPL-2.0)授权。此许可允许将OCRmyPDF与其他代码(包括商业和封闭源代码)集成,但要求您发布对OCRmyPDF所做的源代码级修改。

OCRmyPDF的一些组件有其他许可证,如标准SPDX许可证标识符或DEP5版权和许可信息文件所示。一般来说,非核心代码在MIT下许可,文档和测试文件在Creative Commons ShareAlike 4.0CC-BY-SA 4.0)下许可。

免责声明

该软件是在“原样”基础上分发的,不提供任何形式的明示或暗示的保证或条件。

引用

更多信息请参考:https://github.com/ocrmypdf/OCRmyPDF?tab=readme-ov-file

References

[1]发布说明: https://ocrmypdf.readthedocs.io/en/latest/release_notes.html
[2]
文档: https://ocrmypdf.readthedocs.io/en/latest/
[3]
文档: https://ocrmypdf.readthedocs.io/en/latest/installation.html
[4] Read the
Docs: https://ocrmypdf.readthedocs.io/en/latest/
[5] GitHub
问题页面: https://github.com/ocrmypdf/OCRmyPDF/issues
[6]
使用OCRmyPDF实现无纸化: https://medium.com/@ikirichenko/going-paperless-with-ocrmypdf-e2f36143f46a
[7]
将扫描文档转换成可压缩的可搜索PDF,并进行涂改: https://medium.com/@treyharris/converting-a-scanned-document-into-a-compressed-searchable-pdf-with-redactions-63f61c34fe4c
[8] c't 1-2014,
59: https://heise.de/-2279695
[9] heise
开源,09/2014: 使用OCRmyPDF进行文本识别: https://heise.de/-2356670
[10] heise
创建可搜索的PDF文档与OCRmyPDF: https://www.heise.de/ratgeber/Durchsuchbare-PDF-Dokumente-mit-OCRmyPDF-erstellen-4607592.html
[11]
优秀工具:OCRmyPDF: https://www.linuxlinks.com/excellent-utilities-ocrmypdf-add-ocr-text-layer-scanned-pdfs/
[12] Linux
用户使用OCRmyPDFScanbd自动化文本识别: https://www.linux-community.de/ausgaben/linuxuser/2021/06/texterkennung-mit-ocrmypdf-und-scanbd-automatisieren/
[13] Y Combinator
讨论: https://news.ycombinator.com/item?id=32028752

出自:https://mp.weixin.qq.com/s/flDO1Yf7tFUNd6MXR0iuug