Ubuntu PDF OCR 工具—OCRmyPDF

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

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
上一篇:Java字符串格式化String.format常用用法


下一篇:记录在小程序中前端调用百度 Ocr 识别身份证信息