Бесплатное программное обеспечение OCR, которое делает PDF доступным для поиска (с текстом, доступным для поиска, в нужном месте)

Инструмент, который позволяет это сделать, — PDF-XChange Viewer . Бесплатная версия позволит вам распознавать документ на разных языках (вы можете бесплатно загрузить дополнительные языковые пакеты) и добавлять текст с распознанным текстом в качестве наложенного текстового слоя, который вы можете копировать и выполнять поиск с помощью CTRL+F.

• быстрый просмотрщик PDF с множеством функций
• быстрый механизм OCR (если вы не выберете максимальную точность)
• рядом со многими опциями есть PROзначок (доступно только в версии Pro), но вы можете их скрыть
• управление цветом и пользовательские настройки экрана DPI
• Приложение только для Windows, которое, кажется, не работает в Wine (просмотрщик работает, но функция OCR приводит к сбою)

Чего нет:

• OCR не использует преимущества нескольких ядер
• OCR не определяет стили символов (жирный, курсив) или функция копирования их теряет
• он не использует правильные румынские диакритические знаки , но это можно исправить, если вы скопируете текст в редакторе и выполните поиск и замену:

Попробуйте pdfsandwich. Из справочной страницы:

pdfsandwich генерирует "сэндвич" OCR pdf файлы, т.е. pdf файлы, которые содержат только изображения (без текста), будут обработаны оптическим распознаванием символов (OCR), и текст будет добавлен на каждую страницу невидимо "за" изображениями.

pdfsandwich — это утилита командной строки. Если у вас есть отсканированный pdf-файл, например этот: alice.pdf(который является первой главой романа, о котором вы, возможно, слышали), вызовите pdfsandwich следующим образом:

pdfsandwich alice.pdf

Это создаст файл, alice_ocr.pdfкоторый выглядит как исходный файл, но распознанный текст будет помещен за отсканированными изображениями. Теперь вы можете выполнять полнотекстовый поиск или выделять текстовые области.

Другой вариант может быть OCRmyPDF.

Более новая версия Tesseract (3.03 RC на момент написания этой статьи , 2014 год) умеет так:

• бесплатный, с открытым исходным кодом и кросс-платформенный
• начиная с версии 3.03 доступен вывод PDF
• программное обеспечение командной строки
• поддержка нескольких языков
• к сожалению, ввод одного изображения, поэтому для создания полного документа необходимо создать пакетный скрипт для преобразования изображения каждой страницы в PDF с возможностью поиска. После этого PDF-страницы должны быть объединены в один PDF-файл с помощью таких инструментов, как pdftk .

Это команда:

tesseract -l <lang> input.tif output pdf

pypdfocrэто то, что сработало для меня. Это скрипт Python, оптимизирующий использование Tesseract в целом. После установки зависимостей (в Linux это намного проще) это так же просто, как ввести:

pypdfocr myfile.pdf

И открытие myfile_ocr.pdfчерез некоторое время.

Я использую Microsoft OneNote в качестве инструмента OCR. При щелчке правой кнопкой мыши по изображению он может копировать весь текст в изображениях, а также имеет возможность искать текст в изображении. Он бесплатный и точный, работает в Windows и поддерживает практически все форматы изображений.

Он также может выполнять поиск по файлам PDF и изображениям в файлах PDF.

Бонус в том, что он поддерживает несколько языков :) Английский, французский, испанский также

https://www.microsoft.com/en-us/store/p/leadtools-ocr/9wzdncrdr0d5 — это небольшое простое приложение WinRT (отлично работает и на Win10), которое ничего не делает, кроме как берет изображение или PDF и выводит сэндвич PDF или текст. Это довольно уродливо и не имеет абсолютно никакой конфигурации, но отлично справляется с этой маленькой задачей.

Вы можете получить доступный для поиска текст с помощью Google Диска.

Сначала выберите настройку ключа. В разделе «Общие» в настройках Google Диска установите флажок «Преобразовать загруженные файлы: преобразовать загруженные файлы в формат редактора Google Docs».

Теперь загрузите PDF-файл на свой Google Диск (нажмите «новый», затем «загрузить файл»). Когда загрузка будет завершена (это может занять минуту или две), щелкните ее правой кнопкой мыши. (Если у вас возникли проблемы с его поиском, попробуйте нажать «Недавние» на левой боковой панели.) Как я уже говорил, щелкните правой кнопкой мыши загруженный вами PDF-файл и выберите «Открыть с помощью... Google Docs». Теперь у вас будет текст с возможностью поиска.

Другой вариант — pdf2pdfocr ( https://github.com/LeoFCardoso/pdf2pdfocr ), который основан на Tesseract-OCR и может работать в операционных системах Windows, MacOS и Linux.

Отказ от ответственности: я разработчик pdf2pdfocr.

В то время как другие ответы в этой теме посвящены настольному программному обеспечению, я добился большого успеха с этим веб-сервисом: http://www.searchablepdfs.org/

Он позволяет загружать отсканированный документ в формате PDF и создает «сэндвич PDF» со встроенным текстом OCR, который можно копировать/вставлять.

Плюсы:

• Быстро
• Высококачественное распознавание текста OCR (результаты, которые я получил, были по крайней мере такими же хорошими, как и те, которые я смог получить от использования tesseract, о котором упоминал Корнелиус)
• Кроссплатформенность (это веб-приложение, поэтому вам не нужно самостоятельно устанавливать какое-либо программное обеспечение)
• Свободно

Минусы:

• Поддерживает только английские документы
• Обрабатывает только до 10 страниц в файле

Еще два варианта:

1) Онлайн: www.sandwichpdf.com

2) Рабочий стол (несколько ОС): NAPS2 — https://www.naps2.com/

Посмотрите на OCRvision . OCRvision — это программа для работы с PDF с возможностью поиска . Он может автоматически преобразовывать любые отсканированные документы в папку в PDF с возможностью поиска. Он поддерживает многоязычное распознавание символов. Его можно настроить как для отсканированных PDF-файлов, так и для файлов изображений, а затем преобразовать в PDF-файл с возможностью поиска.

Отказ от ответственности: я связан с OCRvision как разработчик