OCRmyPDF—可智能识别PDF文本和图片信息的工具

山行AI

发布于 2024-01-18 17:36:32

4410

发布于 2024-01-18 17:36:32

文章被收录于专栏：山行AI山行AI

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。

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

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

Linux、Windows、macOS和FreeBSD都支持。也提供了x64和ARM的Docker镜像。

安装命令

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Ghostscript和Tesseract OCR。OCRmyPDF是纯Python编写的，几乎可以在任何系统上运行：Linux、macOS、Windows和FreeBSD。

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, 第59页[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OCRmyPDF和Scanbd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2.0（MPL-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 4.0（CC-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, 第59页: 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OCRmyPDF和Scanbd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