Моя ОС - Ubuntu.
Я обнаружил, что есть некоторые приложения, которые могут распознать файл pdf или djvu, генерируя другой текстовый файл.
Но мне было интересно, как добавить текст OCRed в исходные файлы pdf или djvu, чтобы сделать его текстовым для выбора в исходных файлах pdf или djvu, как это делает Adobe Acrobat в Windows?
Я начал проект Bash на github, чтобы помочь конвертировать PDF в PDF+OCR и DjvU+OCR. Это основано на ответе @ meda-beda и некоторых изменениях, которые я добавил.
Это оболочка из pdfSandwich и pdf2djvu.
Он был разработан и протестирован под Ubuntu-12.10, я считаю, что работа над опцией настройки результирующего файла (иногда больше, чем оригинал) еще предстоит проделать.
Для PDF есть pdfsandwich
pdfsandwich генерирует pdf-файлы "сэндвич" OCR, то есть pdf-файлы, которые содержат только изображения (без текста), будут обрабатываться с помощью оптического распознавания символов (OCR), а текст будет добавляться на каждую страницу незаметно "за" изображениями.
Это двухэтапный процесс:
Добавьте текст OCR в новый PDF-файл с помощью (здесь я использую движок Tesseract OCR с французским языком):
pdfsandwich -sloppy_text -tesseract /path/to/tesseractbin -tesso -l fra ./original.pdf -o ./ocr.pdf
Затем конвертируйте PDF /OCR в DjVu с помощью:
pdf2djvu -o ./ocr.djvu ./ocr.pdf
