Buat PDF yang dapat dicari (OCR) yang ada melalui baris perintah / skrip

Saya mencari alat skrip offline yang membuat file PDF yang ada dapat dicari dengan menjalankan OCR di atasnya, mengganti file asli yang tidak dapat dicari dengan versi yang dapat dicari, dan dapat berjalan tanpa pengawasan.

Misalnya, www.pdfscannerapp.com - melakukan persis seperti yang saya butuhkan, tetapi hanya GUI - tidak dapat skrip.

Saya menyadari bahwa Evernote membuat file PDF dapat dicari, tetapi mereka hanya dapat dicari saat berada di dalam Evernote.

Saya tidak mencari OCR yang sempurna, bahkan OCR yang dapat diterima cukup baik, tetapi saya lebih suka utilitas kecil daripada paket perangkat lunak besar.

(Saya mengetahui pertanyaan serupa, namun berbeda tentang AD: Mencari Perangkat Lunak untuk dipindai atau Dikonversi ke PDF yang Dapat Ditelusuri dan Dapat Ditandatangani - namun, saya tidak perlu menandatangani atau mengisi PDF, dan persyaratan saya adalah bahwa solusinya dapat skrip)

EDIT:

1) Beberapa utilitas memungkinkan ekstraksi teks terstruktur, namun untuk diekstraksi, teks harus ada di sana; Saya terutama mengacu pada PDF yang dibungkus bitmap, seperti halnya dengan PDF biasa yang dihasilkan oleh scanner.

2) Saya belum tentu mencari solusi gratis, dan saya akan sangat senang membayar untuk utilitas yang baik yang hanya melakukan apa yang saya butuhkan, tetapi saya tidak mencari aplikasi besar dengan sejuta fitur yang mencakup fitur OCR tetapi yang biayanya tidak membenarkan membelinya hanya untuk fungsi OCR.

3) Seperti yang dinyatakan di atas, saya tidak mencari OCR yang sempurna, hanya OCR yang cukup dapat diterima. Sayangnya, dalam pengalaman saya, tesseract benar-benar di bawah ambang batas itu. Saya mendefinisikan "cukup diterima" OCR yang dapat, katakanlah, OCR tagihan utilitas sehingga setidaknya nomor akun (nomor pelanggan) dikenali dengan benar.

EDIT: "scriptable" atau "automatable", yaitu, dapat dipicu secara otomatis dan dijalankan tanpa pengawasan manusia apa pun.

Tidak sepenuhnya jelas bagi saya apa persyaratan Anda untuk dapat "skrip" ini dari "baris perintah".

Jika Anda berbicara tentang otomatisasi, maka itu dimungkinkan dengan sejumlah utilitas.

ABBYY FineReader Express + Keyboard Maestro + Hazel

Saya menggunakan ABBYY FineReader Express + Keyboard Maestro + Hazel seperti:

1. Hazel memonitor folder yang diberikan untuk setiap PDF baru

2. jika PDF ditemukan, dibuka di "ABBYY FineReader Express"

3. Keyboard Maestro kemudian mengotomatiskan proses mengubah PDF menjadi PDF (OCR) yang dapat dicari dan menyimpan file ke direktori yang berbeda.

Sekarang, jika Anda belum memiliki Hazel dan Keyboard Maestro, biaya awal Anda akan naik cukup cepat (walaupun saya sangat bergantung pada keduanya, saya menganggapnya sebagai tawaran).

PDFPen + Tindakan AppleScript + Folder

Anda bisa melakukan sesuatu yang mirip dengan PDFPen (atau PDFPenPro) dan tindakan folder dan AppleScript. Lihat https://gist.github.com/prenagha/1355037 untuk satu contoh.

Marco Arment melakukan survei aplikasi OCR untuk Mac dan menemukan bahwa PDFPen memiliki hasil yang bagus dan mudah diotomatisasi.

Pencarian google untuk "PDFpen applescript OCR" akan menghasilkan sejumlah alternatif.

Yang Anda inginkan adalah Tesseract OCR. Ini adalah OCR open source yang dikelola oleh Google dan mendukung berbagai platform. Ini juga memiliki antarmuka baris perintah asli. Ini persis seperti yang Anda cari dan tersedia dari proyek port Mac dan juga homebrew .

Home Project: https://github.com/tesseract-ocr

Cara menginstal di OS X: http://blog.matt-swain.com/post/26419042500/installing-tesseract-ocr-on-mac-os-x-lion

Contoh Penggunaan: tesseract -l eng input.pdf output

Penafian: BUKAN SOLUSI OCR (tapi jawaban ini masih berguna untuk mengekstrak teks dari pdf)

Ada proyek Yayasan Perangkat Lunak Apache bernama Apache Tika :

Toolkit mendeteksi dan mengekstrak metadata dan konten teks terstruktur dari berbagai dokumen menggunakan parser libraries yang ada

Mereka mendukung ekstraksi teks PDF menggunakan PDFBox :

memungkinkan pembuatan dokumen PDF baru, manipulasi dokumen yang ada dan kemampuan untuk mengekstraksi konten dari dokumen. Apache PDFBox juga mencakup beberapa utilitas baris perintah

Dan mereka baru-baru ini juga menambahkan dukungan untuk OCR (via Tesserac)

Untuk solusi berbasis teks, PDFBox sangat mudah untuk mengekstrak teks dari PDF:

• Unduh pdfbox-apppaket dari https://pdfbox.apache.org/downloads.html

• jalankan ExtractTextperintah di atasnya:

  java -jar pdfbox-app-xyzjar ExtractText myNiceBook.pdf myNiceBook.txt

Ini juga memiliki beberapa opsi bagus lain yang dapat Anda lihat di dokumen ExtractText .

Saya akan merekomendasikan DEVONThink Pro Office . Ini adalah aplikasi yang sangat baik dan memiliki dukungan AppleScript yang sangat baik. Sayangnya hanya versi 'Pro Office' yang memiliki kemampuan OCR - jadi Anda harus mengeluarkan £ 100 ($ 150).

Akan berlebihan jika Anda hanya menggunakannya untuk skrip OCR - tetapi ini adalah aplikasi yang sangat bagus.

[sunting] - ah baru saja membaca kembali posting Anda - itu pasti akan berlebihan!

Jika Anda hanya ingin OCR dari shell, Anda dapat mencoba berbicara dengan ABBY yang mesinnya DEVON melisensikan:

http://www.abbyy-developers.com/en:tech:samples:commandline_ocr

Anda dapat membuat PDF yang ada dapat dicari dengan mengonversinya menjadi file teks. Anda memerlukan setidaknya Imagemagick , Ghostscript (untuk konversi PDF) dan alat Tesseract OCR.

Beberapa contoh baris perintah:

$ wget http://www.fmwconcepts.com/misc_tests/pdf_tests/test.pdf
$ convert -density 300 -depth 8 test.pdf test.png
$ tesseract test*.png test.txt
$ grep -i --color=auto the test*.txt
**The** details as told by surviving crew members, to **the** German publication Spiegel and published on ABC's

Ini dapat diperpanjang lebih lanjut dengan kebutuhan Anda.

Untuk menginstal alat yang diperlukan, pada OSX Anda dapat menginstalnya melalui Homebrew :

brew install imagemagick jpeg libpng ghostscript tesseract

Di Linux gunakan apt-getatau yumbukan brew.

Untuk alat OCR lainnya, periksa: OCR di sistem Linux

Terkait:

• Melakukan OCR Menggunakan Alat Baris Perintah di Linux
• Bekerja dengan PDF Menggunakan Alat Baris Perintah di Linux

Solusi yang mudah diimplementasikan dan memberikan output pdf dengan kualitas yang sama dari file input plus ukuran yang masuk akal adalah OCRmyPDF:

https://github.com/jbarlow83/OCRmyPDF

Stackoverflow memiliki pertanyaan terkait dalam parsing PDF yang mencakup hal-hal seperti PDFBox dan TIKA Apache yang digunakan PDFBox. Kode ruby ​​di bawah ini mengekstrak tulisan dari PDF. Anda harus memiliki resolusi yang cukup baik agar kode jenis ini dapat bekerja dengan baik. Jadi, dapatkan pemindai yang cukup bagus dengan resolusi besar dan kemudian lihat apakah beberapa perangkat lunak berfungsi.

Contohnya

1. https://github.com/yob/pdf-reader/tree/master/examples

Jadi utas

1. /programming/5217783/pdf-parse-to-text-in-java

2. /programming/8149179/alternative-to-tika-pdfbox-for-parsing-pdf-in-solr-any-version-later-than-1-4

3. /programming/320621/ruby-pdf-parsing-gem-library

4. /programming/15186740/haskell-parsing-reading-content-of-pdf-files

[Sunting]

Saya tidak yakin apakah saya mengerti masalah Anda sekarang. Anda ingin menambahkan lapisan OCR ke berbagai jenis bahan seperti foto acak, tangkapan layar, PDF tanpa lapisan OCR dan sebagainya? Saya tidak tahu solusinya tetapi saya yakin ada yang tahu, jadi saya mengajukan pertanyaan spesifik bagaimana melakukannya dengan Automator dan beberapa perangkat lunak OCR:

Automator-script dengan perangkat lunak OCR untuk secara otomatis menambahkan OCR ke materi?

Untuk aplikasi mandiri ini, saya penggemar Hazel.

• http://www.noodlesoft.com/hazel.php

Itu membuatnya sangat mudah untuk skrip tindakan tanpa perlu mempelajari alat yang lebih berorientasi pada baris perintah seperti perl atau python dan dipasangkan dengan mesin OCR pilihan Anda (milik saya saat ini PDF Pen Pro) Anda seharusnya tidak memiliki masalah dalam memproses file Anda dengan minimal kehebohan.

• http://www.smilesoftware.com/PDFpenPro/index.html

Keduanya adalah perangkat lunak berbayar, tetapi utilitas keduanya jauh melampaui kasus yang satu ini. Dalam situasi saya, dengan tenaga kerja yang terlibat dalam mendigitalkan catatan scan saya di masa lalu (dan kertas yang sedang berlangsung), harga ini jauh melebihi waktu saya akan menghabiskan pemrograman ini di tempat lain dan sekarang saya memiliki kedua alat, saya dapat melakukan banyak tugas lain dengan mereka.

PDFScannerApp memang memiliki dukungan skrip tidak resmi. Hubungi penulis untuk tindakan Automator.

Saya menggunakan Adobe acrobat ke OCR dalam batch. Duplex scanner saya dapat OCR setelah pemindaian tetapi teknologi OCR di acrobat lebih akurat menurut saya. Saya hanya menunjuk ke sana folder yang tidak memiliki OCR kemudian acrobat menyimpan kembali PDF sebagai PDF yang dapat dicari sekarang termasuk layer teks. Jika saya ingin OCR melalui baris perintah, saya tidak tahu cara tetapi saya bisa mengotomatiskan akhir GUI dengan menggunakan Autohotkey. Tidak dapat diandalkan atau secepat baris perintah, tetapi berhasil setelah Anda menyiapkan tindakan alur kerja untuk meminimalkan interaksi GUI.

Untuk Mac, skrip apel melakukan apa yang Autohotkey lakukan pada PC meskipun saya belum mencoba pada Mac saya.

Tombol pintas otomatis dilengkapi dengan perekam sehingga sebagian besar penulisan skrip adalah makan malam untuk Anda dengan sedikit pengeditan untuk penyempurnaan dan mungkin pengulangan jika Anda menginginkannya.

Saya telah bereksperimen dengan gambar OCRing tetapi belum mengotomatiskan proses sepenuhnya melalui acrobat. Baris perintah sangat ideal tetapi belum menemukan mesin OCR berkualitas yang melebihi acrobat jadi saya tetap menggunakan acrobat untuk saat ini.

Saya menemukan ini baru-baru ini: http://ocrkit.com/faq.html

Anda harus membayar setelah 14 hari

Saya mendapat konversi Drag & Drop berkualitas tinggi yang bekerja menggunakan Docker.

Jika kamu:

1. instal Docker untuk Mac Anda dan
2. kemudian buat aplikasi Automator baru
3. dengan konten ini di dalam tindakan "Run a Shell Script". Pilih Masukan Lulus:"as arguments"

/bin/bash teks skrip:

cd "`dirname "$1"`"
/usr/local/bin/docker run --rm -v "$(pwd):/home/docker" jbarlow83/OCRmyPDF --force-ocr "`basename "$1"`" "`basename -s .pdf "$1"`-ocr.pdf"

Maka Anda harus baik untuk drag-and-drop PDF ke dalamnya dan dan Anda akan mendapatkan PDF dengan nama yang sama dengan "-ocr" yang ditambahkan ke nama file.

Saya membayangkan itu dapat dengan mudah dimodifikasi untuk mengembalikan file ke Automator untuk menyalin di suatu tempat juga. Lebih detail tentang paket buruh pelabuhan OCRmyPDF yang bagus. dan alat utama (juga disebutkan dalam jawaban yang berbeda).

Anda dapat mengujinya di Automator sendiri dengan tindakan "Dapatkan item Pencari yang ditentukan" sebagai masukan untuk ini.

Saat pertama kali dijalankan, diperlukan lebih banyak waktu karena perlu mengunduh gambar Docker untuk OCRmyPDF (tanpa terlihat). Di Terminal, Anda dapat menjalankan sebagai alternatif docker pull jbarlow83/ocrmypdfuntuk mempercepat proses pertama. Jalankan khas membutuhkan sekitar 10 detik per halaman DPI tinggi tetapi memiliki hasil text-to-speachable secara otomatis bahkan jika ada tabel atau diagram. Sebelum OCRing, saya memotong menggunakan Sejda sehingga kata-kata margin yang tidak masuk akal dari halaman lain dihapus.

The --force-ocrArgumen memberitahu alat untuk mengabaikan dan menimpa sebelumnya OCR upaya, yang dalam kasus saya biasanya hanya parsial dan tidak berguna.

OCRKit memiliki dukungan AppleScript dan CLI. Dari halaman bantuan mereka :

AppleScript

Anda juga dapat membuat skrip OCRKit untuk mengintegrasikannya ke dalam alur kerja spesifik Anda. Misalnya memproses file yang masuk, melalui folder bersama, dari mesin fotokopi MFP, dll. Dan cukup beri tahu OCRKit untuk membuka dan dengan demikian prosesnya adalah melalui AppleScript:

tell application "OCRKit"
   -- the wonders of AppleScript POSIX path handling, ...
   open "Users:admin:Desktop:orderform.pdf"
   open POSIX path of "/Users/Admin/Desktop/orderform.pdf"
end tell 

Garis komando

Karena OCRKit versi 2.5 skrip baris perintah langsung didukung. Ini sangat menyederhanakan penggunaan OCRKit dalam pemrosesan batch, memungkinkan untuk mengatur lebih banyak opsi dan juga lebih kuat dan lintas-platform daripada AppleSCript.

OCRKit.app/Contents/MacOS/OCRKit \ 
    --lang en | de | fr | es | ... \
    --format pdf | html | rtf | text \
    --no-progress \
    --output out-file in-file

Karena OCRKit versi 16.9 opsi baris perintah tambahan didukung:

-r, --recursive directory

Pindai direktori secara rekursif untuk file-file baru. Melompati file dari OCRKit, dengan layer teks atau grafik vektor.

--pattern "regex"

Pola yang digunakan untuk mencocokkan nama file selama pemindaian rekursif. Secara default %.pdf$, rekomendasi untuk TIFF adalah%.tiff?$

--log file

Tulis informasi dan statistik file log selama pemindaian rekursif ke file.

--password secret

Gunakan kata sandi rahasia untuk mendekripsi file PDF selama pemrosesan batch.

--test-run [ fast ]

Hanya jalankan pemrosesan kumpulan uji dalam mode uji untuk menguji file PDF atau untuk mendapatkan jumlah halaman untuk memperkirakan total waktu pemrosesan. "fast" hanya akan memeriksa halaman pertama dari setiap file, alih-alih melalui semua halaman untuk analisis gambar dan vektor.

--tag name

Gunakan nama atribut yang diperluas untuk menandai status pemrosesan file selama pemrosesan batch. macos:OCRKit (%s)sebagai gantinya akan menggunakan tag asli macOS Finder, atau macos:OCRKittidak menyertakan atribut state. Urutan atribut negara adalah: started, analyzed, processed, dan juga bisa encrypted.