我的文件扫描质量很好；此类扫描为pdf格式。

如何将ocr信息添加到pdf中，以便可以搜索？可搜索的意思是目标是当您查看pdf时，CTRL-F实际上允许我搜索pdf内容。

pdf三明治

满足您的需求并提供Ubuntu deb软件包。它使用tesseract作为OCR引擎。以下调用将文本层添加到扫描的PDF中：

pdfsandwich scanned.pdf

以下操作相同，但使用另一种语言（ISO 639-2代码，下载tesseract-ocr-LANGCODE程序包）并设置布局：

pdfsandwich  -verbose -lang spa -layout single scanned.pdf

如果您遇到任何错误，请从Sourceforge下载最新版本的deb。

免责声明：我是pdfsandwich的开发人员，因此显然有偏见。

有两个项目可以解决问题：GScan2PDF和OCRFeeder

我发现了一个不理想的解决方案，但非常有效。

我通过Wine 使用PDF X-Change Viewer。它具有OCR功能，可在现有的基于图像的pdf中添加文本层。

因此，您可以搜索和复制此不可见图层中的文本。

对于命令行解决方案，可以使用pdfocr。

简而言之，安装软件：

$ sudo apt-get install python-software-properties
$ sudo add-apt-repository ppa:gezakovacs/pdfocr
$ sudo apt-get update
$ sudo apt-get install pdfocr

然后运行pdfocr：

$ pdfocr -i scanned.pdf -o scanned.with.search.pdf

在Ubuntu 12.04 LTS上对我有用。

OCRmyPDF是一种易于实施的解决方案，可提供与输入文件相同质量且尺寸合理的输出pdf：

https://github.com/jbarlow83/OCRmyPDF

这是我基于ImageMagick的快速和肮脏的解决方案convert，tesseract，parallel和pdftk（所有可用的基于Debian的发行版）。它主要基于此博客文章。

#!/bin/sh -ex

density=${2:-"300"} # default to 300 DPI if 2nd parameter is not given

convert -monitor -density "$density" "$1" -monochrome -compress lzw -alpha deactivate page_%05d.tif
parallel --bar "tesseract {} {.} pdf 2>/dev/null" ::: page_*.tif
pdftk page_*.pdf cat output "${1%.*}-ocred.pdf" compress

# Cleanup temp files
rm page_?????.tif page_?????.pdf

对于带有ppm文件的整个目录，可以使用此脚本ppm2ocrpdf.sh

#!/bin/sh

mkdir .pdf
for f in *.ppm; do
    echo " Running convert -compress JPEG -quality 88 "$f" -page a4 "$f"ppm.pdf"
    convert -compress JPEG -quality 88 "$f" -page a4 "$f"ppm.pdf
    echo " Running tesseract -l deu "$f" "$f" pdf"
    tesseract -l deu "$f" "$f" pdf
    echo " Running pdftk "$f".pdf cat output ./.pdf/"$f"ocr.pdf"
    pdftk "$f".pdf cat output ./.pdf/"$f"ocr.pdf
    echo " Running rm "$f"ppm.pdf"
    rm "$f"ppm.pdf
    echo " Running rm "$f".pdf"
    rm "$f".pdf
done
echo " Running pdftk *.pdf cat output ../outdocument.pdf"
pdftk ./.pdf/*.pdf cat output outOcrDocument.pdf
echo " Running rm ./.pdf/*.pdf"
rm ./.pdf/*.pdf
echo " Running rmdir .pdf"
rmdir .pdf
echo "Done"