मुक्त, खुले स्रोत टूल के साथ ओएस एक्स में पीडीएफ पर ओसीआर

16

इन ब्लॉग पोस्टों को पढ़ने के बाद:

और लिनक्स के लिए नीचे ( इस इशारे से) स्निपेट के माध्यम से जा रहा है, मुझे लगता है कि मुझे ओसीआर एक बहु-पृष्ठ पीडीएफ का एक तरीका मिला है और आउटपुट में एक पीडीएफ मिलता है जो ओएस एक्स में भी काम कर सकता है। अधिकांश निर्भरता होमब्रे में उपलब्ध हैं ( brew install tesseractऔर brew install imagemagick), एक को छोड़कर, hocr2pdf।

मैं ओएस एक्स के लिए इसका एक पोर्ट नहीं ढूंढ सका हूं। क्या कोई उपलब्ध है? यदि नहीं, तो एक ओसीआर एक बहु-पृष्ठ पीडीएफ कैसे हो सकता है और नि: शुल्क, ओपन सोर्स टूल का उपयोग करके ओएस एक्स में एक बहु-पृष्ठ पीडीएफ में फिर से परिणाम प्राप्त कर सकता है?

#!/bin/bash

# This is a script to transform a PDF containing a scanned book into a searchable PDF.
# Based on previous script and many good tips by Konrad Voelkel:
# http://blog.konradvoelkel.de/2010/01/linux-ocr-and-pdf-problem-solved/
# http://blog.konradvoelkel.de/2013/03/scan-to-pdfa/
# Depends on convert (ImageMagick), pdftk and hocr2pdf (ExactImage).
# $ sudo apt-get install imagemagick pdftk exactimage
# You also need at least one OCR software which can be either tesseract or cuneiform.
# $ sudo apt-get install tesseract-ocr
# $ sudo apt-get install cuneiform
# To install languages into tesseract do (e.g. for Portuguese):
# $ sudo apt-get install tesseract-ocr-por

echo "usage: ./pdfocr.sh document.pdf ocr-sfw split lang author title"
# where ocr-sfw is either tesseract or cuneiform
# split is either 0 (already single-paged) or 1 (2 book-pages per pdf-page)
# lang is a language as in "tesseract --list-langs" or "cuneiform -l".
# and author, title are used for the PDF metadata.
#
# usage example:
# ./pdfocr.sh SomeFile.pdf tesseract 1 por "Some Author" "Some Title"
pdftk "$1" burst dont_ask
for f in pg_*.pdf
do
if [ "1" == "$3" ]; then
convert -normalize -density 300 -depth 8 -crop 50%x100% +repage $f "$f.png"
else
convert -normalize -density 300 -depth 8 $f "$f.png"
fi
done
rm pg_*.pdf

for f in pg_*.png
do
if [ "tesseract" == "$2" ]; then
tesseract -l $4 -psm 1 $f $f hocr
elif [ "cuneiform" == "$2" ]; then
cuneiform -l $4 -f hocr -o "$f.html" $f
else
echo "$2 is not a valid OCR software."
fi
hocr2pdf -i $f -r 300 -s -o "$f.pdf" < "$f.html"
done

pdftk pg_*.pdf cat output merged.pdf

pdftk merged.pdf update_info_utf8 doc_data.txt output merged+data.pdf
echo "InfoBegin" > in.info
echo "InfoKey: Author" >> in.info
echo "InfoValue: $5" >> in.info
echo "InfoBegin" >> in.info
echo "InfoKey: Title" >> in.info
echo "InfoValue: $6" >> in.info
echo "InfoBegin" >> in.info
echo "InfoKey: Creator" >> in.info
echo "InfoValue: PDF OCR scan script" >> in.info
in_filename="${1%.*}"
pdftk merged+data.pdf update_info_utf8 in.info output "$in_filename-ocr.pdf"

rm -r doc_data.txt in.info merged* pg_*

— जोश
स्रोत

14

Tesseract 3.03+ ने पीडीएफ आउटपुट के समर्थन में बनाया है। जिसे स्थापित करने के लिए लेप्टानिका की आवश्यकता होती है। आप उपयोग कर सकते हैं: brew install tesseract --HEADटेसरैक्ट का नवीनतम संस्करण प्राप्त करने के लिए। आपको भूत स्थापित करने की भी आवश्यकता होगी लेकिन hocr2pdf की कोई आवश्यकता नहीं है।

निम्न लिपि भूत को पीडीएफ को जेपीईजी में विभाजित करने के लिए, ओसीआर को जेसीईजी में आउटपुट और सिंगल पीडीएफ पेजों को आउटपुट करने के लिए उपयोग करती है, और अंत में फिर से भूत को एक पीडीएफ में संयोजित करने के लिए फिर से घोस्टस्क्रिप्ट का उपयोग करती है।

#!/bin/sh

y="`pwd`/$1"
echo Will create a searchable PDF for $y

x=`basename "$y"`
name=${x%.*}

mkdir "$name"
cd "$name"

# splitting to individual pages
gs -dSAFER -dBATCH -dNOPAUSE -sDEVICE=jpeg -r300 -dTextAlphaBits=4 -o out_%04d.jpg -f "$y"

# process each page
for f in $( ls *.jpg ); do
  # extract text
  tesseract -l eng -psm 3 $f ${f%.*} pdf
  rm $f
done

# combine all pages back to a single file
gs -dCompatibilityLevel=1.4 -dNOPAUSE -dQUIET -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -sOutputFile="../${name}_searchable.pdf" *.pdf

cd ..
rm -rf "${name}"

# Adapted from: http://www.morethantechnical.com/2013/11/21/creating-a-searchable-pdf-with-opensource-tools-ghostscript-hocr2pdf-and-tesseract-ocr/
# from http://www.ehow.com/how_6874571_merge-pdf-files-ghostscript.html
# bash tut: http://linuxconfig.org/bash-scripting-tutorial
# Linux PDF,OCR: http://blog.konradvoelkel.de/2013/03/scan-to-pdfa/

— कर्टनी पैटीसन
स्रोत

1

Tesseract 4 में, यह होना चाहिए tesseract $f ${f%.*} -l eng --psm 3 pdf।

— रॉबिन डिनसे

1

मैं tesseractओएस एक्स पर भी उपयोग करता हूं । इसे संक्षेप में यहाँ स्वचालित रूप से लिखा गया है ।

— तुआन अन्ह ट्रान
स्रोत

5

हालांकि यह लिंक प्रश्न का उत्तर दे सकता है, लेकिन उत्तर के आवश्यक हिस्सों को यहां शामिल करना और संदर्भ के लिए लिंक प्रदान करना बेहतर है। लिंक-केवल उत्तर अमान्य हो सकते हैं यदि लिंक किए गए पृष्ठ बदल जाते हैं। कृपया यहां भी देखें: Apple.stackexchange.com/help/deleted-answers

— bummi