我有许多pdf扫描的文档，我希望能够搜索它们。我怎样才能做到这一点？

本质上，我必须对PDF进行OCR，然后将提取的文本混合回新的pdf中。我尝试了许多不同的解决方案（包括将OCR信息添加到PDF中找到的解决方案）未成功。

1. pdfocr（给我这个问题：https : //github.com/gkovacs/pdfocr/issues/7）
2. pdfsandwich（软件中心表示它是一个较差的软件包，我不应该安装它）
3. OCRfeeder（在软件中心）可以很好地导出到odt，但是在导出为pdf时不起作用。
4. Gscan2pdf导出本讨论中报告的全黑（但可搜索）图像。
5. 我认为Pdfxchange查看器无法处理超过500页的文件的ocr。

是否有我不知道的软件包？或执行此操作的脚本？

Ubuntu <16.04

根据谷氨酰胺的评论，我找到了一个可行的解决方案。它是OCRmyPDF脚本。

git clone https://github.com/jbarlow83/OCRmyPDF
cd OCRmyPDF
sh ./OCRmyPDF.sh -h  # to see the usage

如果收到消息说您应该并行安装GNU。可以（在/ubuntu//a/298598/115155之后）完成（第二行是可选的，具体取决于您的口味和版本）：

sudo apt-get install parallel
sudo rm /etc/parallel/config

最后，您可以使用以下命令OCR您的pdf：

sh ./OCRmyPDF.sh input.pdf output.pdf  # change input and output to the files you want

如果该命令似乎没有响应，则可以使用该-v标志（可以用作-vv或递增使用）来增加详细程度-vvv。最好先在较短的pdf上测试结果。您可以按以下方式缩短pdf：

pdftk A=input.pdf cat A1-5 output output.pdf

Ubuntu> = 16.04

从Ubuntu 16.04开始，OCTmyPDF已通过apt提供。赶紧跑

sudo apt install ocrmypdf
ocrmypdf -h   # to see the usage

最后，您可以使用以下命令OCR您的pdf：

ocrmypdf input.pdf output.pdf  # change input and output to the files you want

如果该命令似乎没有响应，则可以使用该-v标志（可以用作-vv或递增使用）来增加详细程度-vvv。最好先在较短的pdf上测试结果。您可以按以下方式缩短pdf：

pdftk A=input.pdf cat A1-5 output output.pdf

如果您有任何疑问，请查看新的Github Repo。

@ don.joey用ocrmypdf脚本回答。但是，它可以立即安装（从16.10开始）。

sudo apt install ocrmypdf

然后，您必须安装所需的tesseract语言。

要列出系统中已经存在的语言，请输入：

tesseract --list-langs

如果您错过了一个，请安装它。例如，

sudo apt install tesseract-ocr-spa

现在，您可以使用以下命令生成可搜索的PDF（其质量会有所不同，具体取决于扫描的文档）

ocrmypdf -l 'spa' old.pdf new.pdf

当然，您可以检查其手册页以获取其他选项。

pdfsandwich正是执行这项工作。我不知道软件中心提供了一个软件包，但我正在项目网站上为其提供Ubuntu deb软件包（有关详细信息，请参见http://www.tobias-elze.de/pdfsandwich/），包括当前最新版本（0.1.2），目前尚不可能在任何软件中心中使用。

如果您有扫描的文件scanned_file.pdf，只需致电

pdfsandwich scanned_file.pdf

生成scanned_file_ocr.pdf带有识别文本并添加到扫描页面的文件。

与大多数现有解决方案相比，它可以自动检测已安装的tesseract版本并相应地调整其行为。另外，它在OCR处理之前执行扫描图像的预处理，例如去歪斜或去除黑边等，这可以大大改善光学字符识别。

免责声明：我是的开发者pdfsandwich，因此有很大的偏见。

OCRfeeder中存在一个错误

/usr/lib/python2.7/dist-packages/reportlab/pdfgen/textobject.py

第436行应显示为：

            lines = asUnicode(stuff).strip().split('\n')
# bug here, was:
#            lines = '\n'.split(asUnicode(stuff).strip())

改变了它，对我有用

操作系统：Ubuntu 18.04

首先，安装tesseract-ocr：

apt-cache show tesseract-ocr
sudo apt-get update && sudo apt-get upgrade
apt-get install tesseract-ocr --print-uris
apt-get install tesseract-ocr
sudo !!

如果要在tesseract中使用英语以外的语言，则必须安装相应的laguage软件包。例如对于葡萄牙语，您将需要执行以下操作：

sudo apt-get install tesseract-ocr-por

否则，您将得到错误：

Error opening data file /usr/share/tesseract-ocr/4.00/tessdata/por.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your 
"tessdata" directory.
Failed loading language 'por'
Tesseract couldn't load any languages!
Could not initialize tesseract.

如果您使用Google“ tesseract PDF”，则可能会发现此帖子有些过时。但是，它为您提供了一些有用的提示。您首先必须将.pdf文件转换为一个文件.tiff。跑：

convert -density 125 originalfile.pdf -depth 8 -alpha Off newfile.tiff

如果像过时的帖子中那样忘记添加alpha -Off，则会出现以下错误：

Tesseract Open Source OCR Engine v4.0.0-beta.1 with Leptonica
Error in pixReadFromTiffStream: spp not in set {1,3,4}

现在，您可以运行最终命令。在您的原始PDF是葡萄牙语的特殊情况下，您将需要以下命令：

tesseract -l por newfile.tiff output pdf 

生成的文件将命名为output.pdf。例如，如果您的PDF是法语的，则在安装相应的之后tesseract-ocr-fra，将运行：

tesseract -l fra newfile.tiff output pdf 

所需的文件将再次是output.pdf。

我遇到了同样的问题，所以我在周末写了这个。试一试; 它很棒！它是一个简单的包装器tesseract。它用于pdftoppm将PDF转换为一堆TIFF文件，然后用于tesseract对其执行OCR（光学字符识别）并生成可搜索的PDF作为输出。脚本完成后，所有中间临时文件都会自动删除。

源代码：https : //github.com/ElectricRCAircraftGuy/PDF2SearchablePDF

安装和使用说明pdf2searchablepdf：

已于2019年11月11日在Ubuntu 18.04上测试。

安装：

git clone https://github.com/ElectricRCAircraftGuy/PDF2SearchablePDF.git
./PDF2SearchablePDF/install.sh
sudo apt update
sudo apt install tesseract-ocr

采用：

pdf2searchablepdf mypdf.pdf

现在，您将获得一个名为mypdf_searchable.pdf的pdf 文件，其中包含可搜索的文本！

做完了 包装器没有python依赖项，因为它目前完全用bash编写。

参考或相关资源：

1. PDF2SearchablePDF：https：//github.com/ElectricRCAircraftGuy/PDF2SearchablePDF
2. 如何将pdf转换为可文本搜索的pdf？
3. 最好，最简单的OCR解决方案是什么？
4. 从PDF提取嵌入式图像
5. pdfsandwich：我刚刚发现的替代软件包装器，也值得一试！http://www.tobias-elze.de/pdfsandwich/
6. /unix/301318/how-to-ocr-a-pdf-file-and-get-the-text-stored-within-pdf/551526#551526
7. [如何使用PDF将PDF转换为一堆图像pdftoppm] 从PDF中提取嵌入的图像