我有几千页的扫描书页。每个页面分别保存为JPG。文字清晰，但字体不同，页面上确实包含图片和插图。

我需要创建一个出现在每个JPG文件中的所有单词的列表。是否有用于扫描图像的命令行工具，列出出现的单词？它不需要进行完美的扫描，只需进行估算即可。

tesseract可能是这里最常用的解决方案。它在大多数软件包存储库中都可用，例如，

sudo apt install tesseract-ocr

可以与

tesseract input.png out.txt

安装imagemagick，pdftotext（在一个叫包中找到poppler-utils一些包管理器内）ocrmypdf。后者速度很快（ocr需要大量cpu，并且配置为使用您的所有内核），开源且经常更新的OCR软件。这种方法可能过大，因为它实际上试图为每个单词分配一个字符串，而不仅仅是给单词加上标签，但是我在寻找良好且易于使用的开源OCR软件方面遇到了很多麻烦。然后，在保存所有JPG的目录中：

$ convert *.jpg pictures.pdf
$ ocrmypdf pictures.pdf scanned.pdf
$ pdftotext scanned.pdf scanned.txt
$ wc -w scanned.txt

将图像image.png放大480％，更改为灰度，用白色回填，锐化，然后使用tesseract OCR提取。对于我来说，大多数时候效果都很好，除了非常大的字体和黑底白字。如果字体很大，则仅高档200％或300％。

 convert -colorspace gray -fill white  -resize 480%  -sharpen 0x1  file.png file.jpg
 tesseract file.jpg file

结果在file.txt中。

对于linux用户，没有什么比使用Calibre将pdf转换为docx更好的了。https://calibre-ebook.com/download_linux

TL; DR

for i in /path_to/*.jpg;do ./myocr.sh $i $(basename $i .jpg);done

#!/bin/bash
# PROGRAM=myocr.sh
if [ "$1" ] && [ -e "$1" ]; then
  TMPF=$(mktemp myocr.sh.XXXXXXXX.tif)
  DEST="$2"
  if [ ! "$DEST" ]; then
    DEST="${1%.*}.txt"
    if [ -e "$DEST" ]; then
      echo "$DEST already exists; please provide a new textfile name" >&2
      exit 1
    fi
  fi
  /usr/bin/convert "$1" -colorspace Gray -depth 8 -resample 200x200 -flatten -alpha Off $TMPF \
  && /usr/bin/tesseract $TMPF "$DEST"
  EX=$?
  /bin/rm -f $TMPF
  [ $EX -eq 0 ] && [ "$TERM" ] && echo "created $DEST"
  exit $EX
else
  echo "Usage: $0 imagefile [textfile]" >&2
  echo " creates a plain text file with the text found in imagefile" >&2
  exit 1
fi

资料来源：https : //help.ubuntu.com/community/OCR