简介

开源 OCR 工具，识别扫描版 PDF 使其可以搜索、复制等

OCR, Optical Character Recognition，光学字符识别，是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程

github: https://github.com/jbarlow83/OCRmyPDF

docs: https://ocrmypdf.readthedocs.io/en/latest/

安装

安装 ocymypdf 及依赖

sudo apt-get -y remove ocrmypdf # 本机未安装 ocrmypdf 旧版
sudo apt-get -y update
sudo apt-get -y install \
    ghostscript \
    icc-profiles-free \
    liblept5 \
    libxml2 \
    pngquant \
    python3-cffi \
    python3-distutils \
    python3-pkg-resources \
    python3-reportlab \
    qpdf \
    tesseract-ocr \
    zlib1g \
    unpaper
    
wget https://bootstrap.pypa.io/get-pip.py && python3 get-pip.py

export PATH=$HOME/.local/bin:$PATH
python3 -m pip install --user ocrmypdf

安装 JBIG2 encoder

git clone https://github.com/agl/jbig2enc
cd jbig2enc
./autogen.sh
./configure && make
[sudo] make install

遇到的问题

执行 ./autogen.sh

• ./autogen.sh: 行 45: aclocal：未找到命令

  sudo apt-get install automake
  

• ./autogen.sh: 行 50: libtoolize：未找到命令 ./autogen.sh: 行 50: glibtoolize：未找到命令

  sudo apt install libtool
  

执行./configure && make

• Error! Leptonica not detected.

  sudo apt install libleptonica-dev
  

  https://github.com/tesseract-ocr/tesseract/issues/215#issuecomment-369339789

• Error! zlib not detected.

  sudo apt install zlib1g-dev
  

安装语言包

中文简体

sudo apt install tesseract-ocr-chi-sim

命令

ocrmypdf -l chi_sim --output-type pdf [source.pdf] [ocr.pdf]

• ocrmypdf

  工具命令

• -l chi_sim

  指定语言为中文简体

• --output-type pdf

  生成标准的 PDF 格式

• source.pdf

  需要进行处理的文档名

• ocr.pdf

  处理完生成的文档名

示例

ocrmypdf -l chi_sim --output-type pdf 正则表达式必知必会\(修订版\).pdf 正则表达式必知必会\(修订版\)-ocr.pdf --force-ocr