명령 줄 / 스크립트를 통해 기존 PDF를 검색 가능 (OCR)으로 설정

OCR을 실행하고 검색 할 수없는 원본 파일을 검색 가능한 버전으로 바꾸어 기존 PDF 파일을 검색 가능하게 만드는 오프라인 스크립트 가능 도구를 찾고 있습니다.

예를 들어, www.pdfscannerapp.com-내가 원하는 것을 정확하게 수행하지만 GUI 만 가능하며 스크립트가 불가능합니다.

Evernote가 PDF 파일을 검색 가능하게 만들지 만 Evernote 내에서만 검색 가능하다는 것을 알고 있습니다.

나는 완벽한 OCR을 찾고 있지 않다. 적당히 수용 가능한 OCR조차도 괜찮지 만 부피가 큰 소프트웨어 패키지보다는 작은 유틸리티를 선호한다.

(나는 AD에 대해 비슷하지만 다른 질문을 알고 있습니다 : 스캔 할 수 있고 서명 가능한 PDF로 스캔하거나 변환 할 소프트웨어를 찾고 있지만 PDF 를 서명하거나 채울 필요는 없으며 솔루션은 스크립트 가능해야합니다)

편집하다:

1) 여러 유틸리티가 구조화 된 텍스트 추출을 허용하지만 추출하려면 텍스트가 있어야합니다. 주로 스캐너에서 생성 된 일반 PDF의 경우와 같이 비트 맵으로 래핑 된 PDF를 참조합니다.

2) 필자는 무료 솔루션을 반드시 찾고있는 것은 아니며 필요한 기능 만 수행하는 유용한 유틸리티를 구입하는 데 만족할 것입니다. OCR 기능만을 위해 구매하는 것이 정당한 비용이 아닙니다.

3) 위에서 언급 한 바와 같이, 나는 완벽한 OCR을 찾지 않고, 단지 적당한 OCR을 찾고 있습니다. 불행히도, 내 경험상, tesseract는 실제로 그 임계 값보다 낮습니다. 본인은 최소한 계좌 번호 (고객 번호)를 올바르게 인식 할 수 있도록 공공 요금 청구서 (OCR)를 청구 할 수있는 OCR을 "적절히 수용 할 수있는"것으로 정의합니다.

편집 : "스크립트 가능"또는 "자동화 가능", 즉 사람의 입력없이 자동으로 트리거되고 무인으로 실행할 수 있습니다.

"명령 줄"에서이를 "스크립트"로 작성하기위한 요구 사항이 무엇인지 명확하지 않습니다.

자동화에 대해 이야기하고 있다면 여러 유틸리티를 사용하여 가능합니다.

ABBYY FineReader Express + 키보드 마에스트로 + 헤이즐

나는 ABBYY FineReader Express + Keyboard Maestro + Hazel을 다음과 같이 사용합니다.

1. Hazel은 새 PDF에 대해 지정된 폴더를 모니터링합니다.

2. PDF가 발견되면 "ABBYY FineReader Express"에서 열립니다.

3. Keyboard Maestro는 PDF를 OCR (Searchable PDF)로 변환하는 프로세스를 자동화하고 파일을 다른 디렉토리에 저장합니다.

이제 Hazel과 Keyboard Maestro를 이미 가지고 있지 않다면 초기 비용이 꽤 빨리 상승 할 것입니다.

PDFPen + AppleScript + 폴더 동작

PDFPen (또는 PDFPenPro) 및 폴더 작업 및 AppleScript와 비슷한 작업을 수행 할 수 있습니다. 한 가지 예는 https://gist.github.com/prenagha/1355037 을 참조 하십시오 .

Marco Arment는 Mac 용 OCR 앱을 조사한 결과 PDFPen에서 훌륭한 결과를 얻었고 자동화하기 쉽다는 것을 알았습니다.

"PDFpen applescript OCR"에 대한 Google 검색은 여러 대안을 제시합니다.

당신이 원하는 것은 Tesseract OCR입니다. Google에서 유지 관리하고 다양한 플랫폼을 지원하는 오픈 소스 OCR입니다. 또한 기본 명령 줄 인터페이스도 있습니다. Mac 포트 프로젝트와 homebrew 에서 정확하게 찾고 사용 가능한 것 입니다.

프로젝트 홈 : https://github.com/tesseract-ocr

OS X에 설치하는 방법 : http://blog.matt-swain.com/post/26419042500/installing-tesseract-ocr-on-mac-os-x-lion

사용 예 : tesseract -l eng input.pdf output

면책 조항 : OCR 솔루션이 아닙니다 (그러나이 답변은 여전히 ​​pdf에서 텍스트를 추출하는 데 유용합니다)

Apache Tika 라는 Apache Software Foundation 프로젝트가 있습니다 .

툴킷은 기존 파서 라이브러리를 사용하여 다양한 문서에서 메타 데이터 및 구조화 된 텍스트 컨텐츠를 감지하고 추출합니다.

PDFBox를 사용하여 PDF 텍스트 추출을 지원합니다 .

새 PDF 문서 작성, 기존 문서 조작 및 문서에서 컨텐츠를 추출 할 수 있습니다. Apache PDFBox에는 여러 명령 줄 유틸리티도 포함되어 있습니다

그리고 최근에는 Tesserac을 통해 OCR에 대한 지원도 추가했습니다.

텍스트 기반 솔루션의 경우 PDFBox를 사용하면 PDF에서 텍스트를 매우 간단하게 추출 할 수 있습니다.

• https://pdfbox.apache.org/downloads.html 에서 pdfbox-app패키지를 다운로드 하십시오.

• ExtractText그것에 명령을 실행하십시오 :

  java -jar pdfbox-app-xyzjar ExtractText myNiceBook.pdf myNiceBook.txt

또한 ExtractText docs 에서 볼 수있는 다른 멋진 옵션이 있습니다 .

DEVONThink Pro Office를 추천 합니다. 훌륭한 응용 프로그램이며 AppleScript를 매우 잘 지원합니다. 아아 '프로 오피스'버전에만 OCR 기능이 있으므로 £ 100 ($ 150)를 지불해야합니다.

스크립팅 된 OCR에만 사용하면 과잉이 될 수 있지만 매우 유용한 앱입니다.

[편집]-아, 그냥 게시물을 다시 읽으십시오-그것은 과잉 일 것입니다!

쉘에서 OCR을 원한다면 엔진 DEVON 라이센스를 가진 ABBY와 대화를 시도 할 수 있습니다.

http://www.abbyy-developers.com/en:tech:samples:commandline_ocr

기존 PDF를 텍스트 파일로 변환하여 검색 가능하게 만들 수 있습니다. 최소한 Imagemagick , Ghostscript (PDF 변환 용) 및 Tesseract OCR 도구가 필요합니다.

몇 가지 명령 줄 예제 :

$ wget http://www.fmwconcepts.com/misc_tests/pdf_tests/test.pdf
$ convert -density 300 -depth 8 test.pdf test.png
$ tesseract test*.png test.txt
$ grep -i --color=auto the test*.txt
**The** details as told by surviving crew members, to **the** German publication Spiegel and published on ABC's

이것은 필요에 따라 더 확장 될 수 있습니다.

필요한 도구를 설치하려면 OSX에서 Homebrew 를 통해 설치할 수 있습니다 .

brew install imagemagick jpeg libpng ghostscript tesseract

Linux에서는 apt-get또는 yum대신 사용하십시오 brew.

더 많은 OCR 도구 는 Linux 시스템의 OCR을 확인하십시오.

관련 :

• Linux에서 명령 줄 도구를 사용하여 OCR 수행
• Linux에서 명령 행 도구를 사용한 PDF 작업

쉽게 구현할 수 있고 동일한 품질의 입력 파일과 합리적인 크기의 출력 PDF를 제공하는 솔루션은 OCRmyPDF입니다.

https://github.com/jbarlow83/OCRmyPDF

Stackoverflow에는 PDFBox 및 PDFBox가 사용하는 Apache의 TIKA와 같은 내용을 다루는 PDF 구문 분석 관련 질문이 있습니다 . 아래의 루비 코드는 PDF에서 쓰기를 추출합니다. 이 유형의 코드가 제대로 작동하려면 충분한 해상도를 가져야합니다. 따라서 해상도가 큰 스캐너를 충분히 구입 한 다음 일부 소프트웨어가 작동하는지 확인하십시오.

예

1. https://github.com/yob/pdf-reader/tree/master/examples

SO 스레드

1. /programming/5217783/pdf-parse-to-text-in-java

2. /programming/8149179/alternative-to-tika-pdfbox-for-parsing-pdf-in-solr-any-version-later-than-1-4

3. /programming/320621/ruby-pdf-parsing-gem-library

4. /programming/15186740/haskell-parsing-reading-content-of-pdf-files

[편집하다]

지금 문제를 이해했는지 잘 모르겠습니다. 임의 사진, 스크린 샷, OCR 레이어가없는 PDF 등과 같은 다른 종류의 재료에 OCR 레이어를 추가하고 싶습니까? 솔루션을 모르지만 누군가 Automator 및 일부 OCR 소프트웨어를 사용하여 수행하는 방법에 대한 특정 질문을 알고 있다고 확신합니다.

재료에 OCR을 자동으로 추가하는 OCR 소프트웨어가 포함 된 자동화 스크립트?

이 유형의 자체 응용 프로그램의 경우 저는 헤이젤의 열렬한 팬입니다.

• http://www.noodlesoft.com/hazel.php

그것은 perl이나 python과 같은 더 명령 행 중심의 도구를 배우지 않고 선택한 OCR 엔진 (현재 PDF Pen Pro 임)과 쌍을 이루지 않고도 작업을 스크립트하는 것을 매우 쉽게 만듭니다. 파일을 최소한으로 처리하는 데 아무런 문제가 없습니다. 야단법석.

• http://www.smilesoftware.com/PDFpenPro/index.html

이 두 가지 모두 유료 소프트웨어이지만 둘 다의 유틸리티는이 경우를 훨씬 뛰어 넘습니다. 제 상황에서 과거 스캔 한 기록 (및 진행중인 논문)을 디지털화하는 데 수고를들이는 과정에서 이들의 가격이 다른 곳에서 프로그래밍하는 데 소비 한 시간보다 훨씬 길어졌으며 두 도구를 모두 소유하고 있기 때문에 다른 많은 작업을 수행 할 수 있습니다. 그들.

PDFScannerApp 은 비공식 스크립팅을 지원합니다. Automator 작업에 대해서는 저자에게 문의하십시오.

Adobe Acrobat을 OCR에 일괄 적으로 사용합니다. 스캔 후 양면 스캐너에서 OCR을 수행 할 수 있지만 Acrobat의 OCR 기술이 더 정확하다고 생각합니다. OCR이없는 폴더를 가리키면 acrobat re는 이제 텍스트 레이어를 포함하여 PDF를 검색 가능한 PDF로 저장합니다. 명령 줄을 통해 OCR을 원한다면 방법을 모르지만 Autohotkey를 사용하여 GUI 끝을 자동화 할 수 있습니다. 명령 줄만큼 신뢰할 수없고 빠르지는 않지만 GUI 상호 작용을 최소화하기 위해 워크 플로 작업을 설정 한 후 작업을 수행합니다.

Mac의 경우 Apple 스크립트는 Mac에서 아직 시도하지 않았지만 PC에서 Autohotkey가 수행하는 작업을 수행합니다.

자동 단축키는 레코더와 함께 제공되므로 대부분의 스크립트 작성은 저녁 식사를위한 약간의 편집과 함께 원할 경우 시간이 많이 소요됩니다.

OCRing 이미지를 실험했지만 Acrobat을 통해 프로세스를 완전히 자동화하지 않았습니다. 커맨드 라인은 이상적이지만 Acrobat을 능가하는 고품질 OCR 엔진을 찾지 못했기 때문에 지금은 Acrobat을 고수합니다.

나는 최근에 이것을 우연히 발견했다 : http://ocrkit.com/faq.html

14 일 후에 지불해야합니다.

Docker를 사용하여 고품질 드래그 앤 드롭 변환을 수행했습니다.

만약 너라면:

1. Mac 용 Docker를 설치 하고
2. 그런 다음 새로운 Automator 앱을 만듭니다
3. "셸 스크립트 실행"작업 내에 이러한 내용이 포함됩니다. 패스 입력을 선택하십시오."as arguments"

/bin/bash 스크립트 텍스트 :

cd "`dirname "$1"`"
/usr/local/bin/docker run --rm -v "$(pwd):/home/docker" jbarlow83/OCRmyPDF --force-ocr "`basename "$1"`" "`basename -s .pdf "$1"`-ocr.pdf"

그런 다음 PDF를 끌어다 놓으면 파일 이름에 "-ocr"이 추가 된 유사한 이름의 PDF를 얻게됩니다.

어딘가에 복사하기 위해 파일을 Automator로 반환하도록 쉽게 수정할 수 있다고 생각합니다. 훌륭한 OCRmyPDF 도커 패키지에 대한 자세한 내용. 및 주요 도구는 (또한 다른 대답에 언급).

"지정된 파인더 항목 가져 오기"조치를 입력으로 사용하여 Automator 자체에서 테스트 할 수 있습니다.

처음 실행하면 OCRmyPDF 용 Docker 이미지를 보이지 않게 다운로드해야하므로 시간이 더 걸립니다. 터미널에서 달리 실행 docker pull jbarlow83/ocrmypdf하여 첫 번째 실행 속도를 높일 수 있습니다. 일반적인 실행은 높은 DPI 페이지 당 약 10 초가 걸리지 만 테이블이나 다이어그램이 있어도 텍스트에서 음성으로 변환 가능한 결과가 자동으로 나타납니다. OCR 처리하기 전에, 내가 사용하는자를 Sejda을 다른 페이지 말도 마진 단어가 제거되도록.

이 --force-ocr주장은 도구가 이전의 OCR 시도를 무시하고 덮어 쓰도록 지시합니다. 필자의 경우 대개 부분적이고 쓸모가 없습니다.

OCRKit에는 AppleScript 지원과 CLI가 모두 있습니다. 자신의 도움말 페이지 :

애플 스크립트

OCRKit을 특정 워크 플로우에 통합하도록 스크립트 할 수도 있습니다. 예를 들어, MFP 복사기 등에서 공유 폴더를 통해 들어오는 파일을 처리하고 OCRKit에 열도록 지시하면 AppleScript를 통해 처리됩니다.

tell application "OCRKit"
   -- the wonders of AppleScript POSIX path handling, ...
   open "Users:admin:Desktop:orderform.pdf"
   open POSIX path of "/Users/Admin/Desktop/orderform.pdf"
end tell 

커맨드 라인

OCRKit 버전 2.5 이후 직접 명령 행 스크립팅이 지원됩니다. 이는 일괄 처리에서 OCRKit의 사용을 크게 단순화하고 더 많은 옵션을 설정할 수 있으며 AppleSCript보다 더 강력하고 플랫폼 간입니다.

OCRKit.app/Contents/MacOS/OCRKit \ 
    --lang en | de | fr | es | ... \
    --format pdf | html | rtf | text \
    --no-progress \
    --output out-file in-file

OCRKit 버전 16.9부터 추가 명령 행 옵션이 지원됩니다.

-r, --recursive directory

새 파일이 있는지 디렉토리를 반복적으로 스캔하십시오. 텍스트 레이어 또는 벡터 그래픽으로 OCRKit에서 파일을 건너 뜁니다.

--pattern "regex"

재귀 스캔 중에 파일 이름을 일치시키는 데 사용되는 패턴입니다. 기본값으로 %.pdf$, TIFF에 대한 추천입니다%.tiff?$

--log file

재귀 스캔 중에 파일에 로그 파일 정보 및 통계를 씁니다.

--password secret

일괄 처리 중에 비밀 암호를 사용하여 PDF 파일의 암호를 해독하십시오.

--test-run [ fast ]

PDF 파일을 테스트하거나 총 처리 시간을 추정하기 위해 페이지 수를 얻으려면 테스트 모드에서만 테스트 일괄 처리를 실행하십시오. "fast"는 이미지 및 벡터 분석을 위해 모든 페이지를 거치지 않고 각 파일의 첫 페이지 만 검사합니다.

--tag name

일괄 처리 중에 확장 속성 이름을 사용하여 파일의 처리 상태에 태그를 지정하십시오. macos:OCRKit (%s)대신 기본 macOS Finder 태그를 사용하거나 단순히 macos:OCRKit상태 속성을 포함하지 않습니다. 상태 속성의 순서는 다음과 같습니다 : started, analyzed, processed, 또한 할 수있다 encrypted.