OCRmyPDF: PDF digitalizado em texto pesquisável da ferramenta de código aberto

O OCRmyPDF é uma ferramenta de linha de comando de código aberto projetada para adicionar uma camada de texto de reconhecimento óptico de caracteres (OCR) a arquivos PDF digitalizados, transformando-os em documentos pesquisáveis e reproduzíveis. Ela se baseia no desenvolvimento em Python, no uso do mecanismo Tesseract OCR, pode identificar com precisão o texto na imagem e incorporá-lo ao PDF, mantendo o layout do documento original e a qualidade da imagem. A ferramenta é compatível com vários idiomas, aplicável a Linux, Windows, macOS e outras plataformas, mas também fornece uma imagem Docker para facilitar a implantação entre plataformas.OCRmyPDF gera por padrão o formato PDF/A, adequado para arquivamento de longo prazo, ao mesmo tempo em que oferece suporte à correção de página, otimização de imagem e outros recursos, amplamente usados em cenários de digitalização e arquivamento de documentos.

Lista de funções

• Adicione camadas de texto OCR pesquisáveis a PDFs digitalizados com suporte para copiar e colar.
• Geração padrão do formato PDF/A, adequado para arquivamento de documentos de longo prazo.
• Oferece suporte ao reconhecimento de texto em 39 idiomas, incluindo inglês, alemão, chinês e outros.
• Correção automática da inclinação da página (deskew) e da rotação (rotate-pages).
• Otimiza o tamanho do arquivo PDF, geralmente gerando uma saída menor do que o arquivo de entrada.
• Oferece suporte ao processamento paralelo de vários núcleos para aumentar a eficiência do processamento de documentos em grande escala.
• Oferece o modo de depuração para facilitar a verificação dos resultados de OCR.
• Expansão funcional por meio de suporte a plug-ins, compatível com estruturas complexas de PDF.
• Repare automaticamente arquivos PDF corrompidos para aumentar a compatibilidade.

Usando a Ajuda

Processo de instalação

A instalação do OCRmyPDF requer a configuração de dependências nos sistemas operacionais suportados, incluindo Python, Tesseract, Ghostscript e assim por diante. Abaixo estão as etapas detalhadas de instalação para sistemas operacionais comuns:

Linux (Ubuntu 22.04 como exemplo)

1. Certifique-se de que o Python 3 e o pip estejam instalados em seu sistema:

   python3 --version
   pip3 --version
   

2. Instalar dependências:

   sudo apt update
   sudo apt install tesseract-ocr ghostscript python3-pip pngquant
   

3. Instale o OCRmyPDF usando o pip:

   pip3 install ocrmypdf
   

4. Verifique a instalação:

   ocrmypdf --version
   

   Se o número da versão for exibido, a instalação foi bem-sucedida.

Windows (computador)

1. Instale o Python 3 (recomendamos fazer o download da versão mais recente no site oficial).
2. Instale o Tesseract e o Ghostscript (recomenda-se o Chocolatey Package Manager):

   choco install tesseract ghostscript
   

3. Instale o OCRmyPDF usando o pip:

   pip install ocrmypdf
   

4. Confirme se a instalação foi concluída:

   ocrmypdf --version
   

macOS (usando o Homebrew)

1. Instale o Homebrew (se ainda não estiver instalado):

   /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
   

2. Instalar dependências:

   brew install tesseract ghostscript ocrmypdf
   

3. Verifique a instalação:

   ocrmypdf --version
   

Instalação do Docker

1. Certifique-se de que o Docker esteja instalado e em execução:

   docker run hello-world
   

2. Extraia a imagem do OCRmyPDF:

   docker pull jbarlow83/ocrmypdf
   

3. Marque o espelho com um nome conveniente:

   docker tag jbarlow83/ocrmypdf ocrmypdf
   

Uso

O OCRmyPDF é uma ferramenta de linha de comando, simples de usar, mas poderosa. O formato básico do comando é:

ocrmypdf [选项] 输入文件 输出文件

operação básica

1. Conversão simples de OCR::
   Converta PDFs digitalizados em PDFs pesquisáveis:

   ocrmypdf input.pdf output.pdf
   

   Isso cuidará deinput.pdfpara gerar a camada de texto de OCR com ooutput.pdf.

2. Especificar o idioma::
   Oferece suporte a OCR em vários idiomas, por exemplo, para lidar com PDFs que contenham inglês e chinês:

   ocrmypdf -l eng+chi_sim input.pdf output.pdf
   

   O código da linguagem pode ser encontrado na documentação do Tesseract.

3. Correção e otimização de páginas::
   Correção automática de inclinação e geração de PDF/A:

   ocrmypdf --deskew --output-type pdfa input.pdf output.pdf
   

4. processamento paralelo::
   Use vários núcleos para acelerar o processamento:

   ocrmypdf --jobs 4 input.pdf output.pdf
   

Operação da função em destaque

• Rotação da páginaDetecta e corrige automaticamente a orientação da página:

  ocrmypdf --rotate-pages input.pdf output.pdf
  

  aceitável--rotate-pages-thresholdDefine o limite de rotação.

• Limpeza de imagemLimpeza de imagens antes do OCR para melhorar a precisão do reconhecimento:

  ocrmypdf --clean input.pdf output.pdf
  

• modo de depuraçãoVerificação de resultados de OCR e geração de registros detalhados:

  ocrmypdf --verbose 2 input.pdf output.pdf
  

• Ignorar texto existenteEvite duplicar páginas com texto existente:

  ocrmypdf --skip-text input.pdf output.pdf
  

Uso do Docker

Use o Docker para executar o OCRmyPDF em cenários sem ambiente local:

docker run --rm -v $(pwd):/data ocrmypdf /data/input.pdf /data/output.pdf

Esse comando define o diretório atual doinput.pdfprocessados e enviados para ooutput.pdf.

advertência

• Certifique-se de que o PDF de entrada seja um documento digitalizado; os PDFs que contêm texto podem exigir o uso da função--skip-text.
• Os pacotes de idiomas do Tesseract precisam ser instalados separadamente para oferecer suporte a vários idiomas, por exemplo:

  sudo apt install tesseract-ocr-chi-sim
  

• Para PDFs complexos, é recomendável ativar--verboseVisualize registros detalhados para facilitar a solução de problemas.

cenário do aplicativo

1. Digitalização de documentos
   Depois de digitalizar um documento em papel para PDF, use o OCRmyPDF para adicionar uma camada de texto para facilitar a pesquisa e a cópia do conteúdo, adequado para gerenciamento de arquivos ou arquivamento de documentos legais.
2. pesquisa acadêmica
   Os pesquisadores podem converter artigos acadêmicos digitalizados em PDFs pesquisáveis, facilitando a extração de citações ou palavras-chave e melhorando a eficiência do gerenciamento da literatura.
3. Arquivamento corporativo
   As empresas podem processar em lote contratos e faturas digitalizados para gerar o formato PDF/A e garantir a retenção a longo prazo e a conformidade legal.
4. Processamento de documentos multilíngues
   Ao lidar com documentos digitalizados em vários idiomas, como contratos mistos em chinês e inglês, o OCRmyPDF reconhece vários idiomas e incorpora o texto.

QA

1. Quais sistemas operacionais são compatíveis com o OCRmyPDF?
   Suporte para Linux, Windows, macOS e FreeBSD, também disponível em várias plataformas via Docker.
2. Como lidar com documentos que não estejam em inglês?
   fazer uso de-lEspecifique o código do idioma, por exemplo-l chi_simPara lidar com o chinês, você precisa instalar o pacote de idiomas correspondente.
3. E se o arquivo de saída for maior do que o de entrada?
   fazer uso de--optimize 1Ou instale o codificador JBIG2 para compactar o tamanho do arquivo.
4. Como verificar os resultados do OCR?
   fazer uso de--verbose 2Gere registros detalhados ou verifique o PDF de saída para obter um texto reproduzível.