如何将扫描的PDF转换为带有文字的PDF？

Question

我已经将大约80页扫描成灰度PDF（图像格式）。文件最终大小约为70MB，非常庞大。

现在我正在寻找一种方法，将灰度图像PDF文件转换为简单的黑白文本PDF文件。

我已经尝试了很多次使用“gs”，但没有成功（只有几个百分比的恢复）。 如果有专家有什么想法，请告诉我。

- Admiral

---

你需要一些OCR工具。看看Tesseract：http://ubuntuforums.org/showthread.php?t=880471 - Nikita U.

如果您有兴趣将PDF图像保持原样，并在其上添加文本，请参考问题在PDF中添加OCR信息。 - colan

如果你能够贴出一个链接（例如）一个页面的示例，我们就可以测试解决方案... - Rmano

这不是一个OCR解决方案，但http://askubuntu.com/a/3387/16395非常有帮助（尽管72dpi有点低，我用120的效果更好）。 - Rmano

YAGF在Ubuntu 16.04上正常工作吗？如果我加载图像或PDF文档，程序会无任何错误信息中止。 在Ubuntu 14.04上我没有遇到问题。 H.Roos - Hubert Roos

Answer 1

gImageReader是一个简单的GTK+前端界面，用于tesseract-ocr。

sudo apt-get install gimagereader tesseract-ocr

对德文的内容感到抱歉。

- A.B.

---

你还应该安装文档的语言以提高OCR识别能力，使用sudo apt-get install tesseract-ocr-[lang]命令，将lang替换为语言代码，如deu表示德语，por表示葡萄牙语等。 - estibordo

这个软件很丑陋。可用性为零。虽然它试图完成工作，但无法读取简单的电子表格样式的表格。只是错过了包含它们的页面。 - Max Yudin

这对我来说效果很好。只需将 PDF 文件拖入，点击顶部的“全部识别”按钮。对于一页的 PDF，我只等了几秒钟，结果就会在右侧出现一个新的第三个窗格上。此窗格中的纯文本如有需要可以进行编辑，并通过点击“保存输出”按钮保存。您还可以使用鼠标突出显示特定区域，并右键单击。 - user643722

Answer 2

你可以试试pdfocr。

 sudo add-apt-repository ppa:gezakovacs/pdfocr
 sudo apt-get update
 sudo apt-get install pdfocr

执行语法是

 pdfocr -i input.pdf -o output.pdf

其中input.pdf是输入文件的名称，output.pdf是输出文件的名称。

默认情况下，它使用Tesseract。要安装它：

 sudo apt-get install tesseract-ocr

pdfocr 创建了一个嵌入的文本层。

- rafmunozf

---

太棒了！有趣的是，在执行上述步骤后，该文件现在可以在Adobe Acrobat DC中进行搜索，但无法在Preview中进行搜索。 - lukeaus

该存储库不支持xenial。 - Max N

如果在xenial上安装wily版本的pdfocr，可以尝试安装旧版本的pdfocr。要做到这一点，请将"deb http://ppa.launchpad.net/gezakovacs/pdfocr/ubuntu wily main"和"deb-src http://ppa.launchpad.net/gezakovacs/pdfocr/ubuntu wily main"添加到/etc/apt/sources.list中，然后运行"sudo apt update"和"sudo apt-get install pdfocr"命令。 - rafmunozf

pdfocr是一个脚本，用于自动化以下过程：

1. 使用pdftk将PDF文件拆分为单独的页面
2. 使用pdfimages提取图像数据
3. 使用cuneiform进行OCR（光学字符识别）
4. 使用hocr2pdf将检测到的文本嵌入回PDF文件中
5. 使用pdftk合并文件。（引用自https://ubuntuforums.org/showthread.php?t=1456756）

- Tommy Trussell

Answer 3

看一下OCRmyPDF，它的效果很好。

- aggsol

Answer 4

pdfsandwich

它在安装时加载了tesseract和其他内容。这是一个简单的一步解决方案，可以进行脚本编写。它可以使用hocr2pdf来创建一个纯文本PDF，但它现在还没有准备好用于主流市场。默认情况下使用tesseract并创建一个"三明治"式的PDF：图像 + 下方的文本。

嵌入的图像可以通过类似以下命令来移除：

gs -o ocr_noIMG.pdf -sDEVICE=pdfwrite -dFILTERIMAGE ocr_image.pdf

但是文本被隐藏了，所以看起来像一页空白的页面。

将PDF加载到LibreOffice Draw中，就能显示出文本，并且可以手动删除图像。

- AtesComp

---

关于ImageMagick / Ghostscript安全问题导致identify-im6.q16出现“未授权”错误，我们应该采取什么措施？类似于这样的错误：imagemagick - convert:not authorized aaaa @ error/constitute.c/ReadImage/453 - Stack Overflow - nealmcb

Answer 5

你可以尝试使用shrinkpdf来减小文件大小，然后使用ocr.sh来添加文本层。

- student

Answer 6

对于 @A.B. 在 Ubuntu 14.04 上建议的图形界面，您应该按照以下步骤进行：

在 Ubuntu 14.04 上安装 OCR Tesseract

或者无论如何，将其添加到存储库列表中：

sudo add-apt-repository ppa:sandromani/gimagereader
sudo apt-get update

在这之前的工作：

sudo apt-get install gimagereader

- michel.iamit

Answer 7

我在寻找将扫描的PDF转换为可选择文本的方法时，偶然遇到了这个问题。后来我发现了一个叫做pdfsandwich的工具，使用效果非常好，令我惊讶的是它在之前的回答中并没有详细介绍。

更多信息请参考：http://www.tobias-elze.de/pdfsandwich/ 它在幕后使用了由Google赞助的tesseract光学字符识别库，但简化了PDF处理和创建步骤。

截至2020年12月，它已经包含在官方的Ubuntu软件源中。安装方法如下：

sudo apt update && sudo apt install pdfsandwich

处理一个名为input.pdf的PDF文件：

pdfsandwich input.pdf

默认情况下，您的输出将显示为类似于input_ocr.pdf的内容。

在Ubuntu 20.04上，由于Ghostscript权限问题，最初无法正常工作。可以通过在/etc/ImageMagick-6/policy.xml中添加XML注释（<!-- xxx -->）来解决此问题（在我的文件中，这些是第90至95行）。

  <policy domain="coder" rights="none" pattern="PS" />
  <policy domain="coder" rights="none" pattern="PS2" />
  <policy domain="coder" rights="none" pattern="PS3" />
  <policy domain="coder" rights="none" pattern="EPS" />
  <policy domain="coder" rights="none" pattern="PDF" />
  <policy domain="coder" rights="none" pattern="XPS" />

此修复的参考资料：https://www.itechlounge.net/2020/09/web-imagickexception-attempt-to-perform-an-operation-not-allowed-by-the-security-policy-pdf/

阅读文档：

man pdfsandwich

- moo

Answer 8

其实我发现最好的是使用命令pdftotext sudo apt install poppler-utils 非常简单而且高效，只需运行pdftotext -layout xxx.pdf即可保留原始布局作为文本。

- Vlax

---

Recoll在其索引中使用pdftotext，我不知道具体原因和方式。 - pierrely