ওএস এক্সের ফ্রি, ওপেন সোর্স সরঞ্জাম সহ পিডিএফগুলিতে ওসিআর

16

এই ব্লগ পোস্ট পড়ার পরে:

এবং লিনাক্সের নীচে স্নিপেটের ( এই টুকরোটি থেকে ) যেতে পেরে আমি মনে করি যে আমি মাল্টি-পেজ পিডিএফ ওসিআর করার একটি পদ্ধতি খুঁজে পেয়েছি এবং ওএস এক্সেও কাজ করতে পারে এমন আউটপুটে একটি পিডিএফ পেয়েছি Most বেশিরভাগ নির্ভরতা হোমব্রুতে উপলব্ধ ( brew install tesseractএবং brew install imagemagick), এক ব্যতীত hocr2pdf,।

ওএস এক্সের জন্য আমি এর কোনও বন্দর খুঁজে পাচ্ছি না there এখানে কি কোনও উপলব্ধ রয়েছে? যদি তা না হয় তবে কীভাবে একজন মুক্ত ওপেন সোর্স সরঞ্জাম ব্যবহার করে ওএস এক্স-এর একটি বহু-পৃষ্ঠায় পিডিএফ-এ আবার কোনও ওসিআর করতে পারেন এবং ফলাফলগুলি আবার ফিরে পাবেন?

#!/bin/bash

# This is a script to transform a PDF containing a scanned book into a searchable PDF.
# Based on previous script and many good tips by Konrad Voelkel:
# http://blog.konradvoelkel.de/2010/01/linux-ocr-and-pdf-problem-solved/
# http://blog.konradvoelkel.de/2013/03/scan-to-pdfa/
# Depends on convert (ImageMagick), pdftk and hocr2pdf (ExactImage).
# $ sudo apt-get install imagemagick pdftk exactimage
# You also need at least one OCR software which can be either tesseract or cuneiform.
# $ sudo apt-get install tesseract-ocr
# $ sudo apt-get install cuneiform
# To install languages into tesseract do (e.g. for Portuguese):
# $ sudo apt-get install tesseract-ocr-por

echo "usage: ./pdfocr.sh document.pdf ocr-sfw split lang author title"
# where ocr-sfw is either tesseract or cuneiform
# split is either 0 (already single-paged) or 1 (2 book-pages per pdf-page)
# lang is a language as in "tesseract --list-langs" or "cuneiform -l".
# and author, title are used for the PDF metadata.
#
# usage example:
# ./pdfocr.sh SomeFile.pdf tesseract 1 por "Some Author" "Some Title"
pdftk "$1" burst dont_ask
for f in pg_*.pdf
do
if [ "1" == "$3" ]; then
convert -normalize -density 300 -depth 8 -crop 50%x100% +repage $f "$f.png"
else
convert -normalize -density 300 -depth 8 $f "$f.png"
fi
done
rm pg_*.pdf

for f in pg_*.png
do
if [ "tesseract" == "$2" ]; then
tesseract -l $4 -psm 1 $f $f hocr
elif [ "cuneiform" == "$2" ]; then
cuneiform -l $4 -f hocr -o "$f.html" $f
else
echo "$2 is not a valid OCR software."
fi
hocr2pdf -i $f -r 300 -s -o "$f.pdf" < "$f.html"
done

pdftk pg_*.pdf cat output merged.pdf

pdftk merged.pdf update_info_utf8 doc_data.txt output merged+data.pdf
echo "InfoBegin" > in.info
echo "InfoKey: Author" >> in.info
echo "InfoValue: $5" >> in.info
echo "InfoBegin" >> in.info
echo "InfoKey: Title" >> in.info
echo "InfoValue: $6" >> in.info
echo "InfoBegin" >> in.info
echo "InfoKey: Creator" >> in.info
echo "InfoValue: PDF OCR scan script" >> in.info
in_filename="${1%.*}"
pdftk merged+data.pdf update_info_utf8 in.info output "$in_filename-ocr.pdf"

rm -r doc_data.txt in.info merged* pg_*

— তামাশা
সূত্র

13

পরীক্ষামূলক 3.03+ পিডিএফ আউটপুট জন্য সমর্থন তৈরি করেছে। যার জন্য লেপটোনিকা ইনস্টল করা প্রয়োজন। আপনি ব্যবহার করতে পারেন: brew install tesseract --HEADপরীক্ষার সর্বশেষতম সংস্করণটি পেতে। আপনার ঘোস্টস্ক্রিপ্ট ইনস্টল করা প্রয়োজন তবে hocr2pdf এর প্রয়োজন নেই।

নিম্নলিখিত স্ক্রিপ্টটি জেপিইজিগুলিতে পিডিএফ বিভক্ত করতে ঘোস্টস্ক্রিপ্ট ব্যবহার করে, জেপিইজিগুলিকে ওসিআর পরীক্ষা করে এবং একক পিডিএফ আউটপুট দেয় এবং শেষ পর্যন্ত পৃষ্ঠাগুলি এক পিডিএফে একত্রিত করতে আবার ভূস্ট্রিপ্ট করে।

#!/bin/sh

y="`pwd`/$1"
echo Will create a searchable PDF for $y

x=`basename "$y"`
name=${x%.*}

mkdir "$name"
cd "$name"

# splitting to individual pages
gs -dSAFER -dBATCH -dNOPAUSE -sDEVICE=jpeg -r300 -dTextAlphaBits=4 -o out_%04d.jpg -f "$y"

# process each page
for f in $( ls *.jpg ); do
  # extract text
  tesseract -l eng -psm 3 $f ${f%.*} pdf
  rm $f
done

# combine all pages back to a single file
gs -dCompatibilityLevel=1.4 -dNOPAUSE -dQUIET -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -sOutputFile="../${name}_searchable.pdf" *.pdf

cd ..
rm -rf "${name}"

# Adapted from: http://www.morethantechnical.com/2013/11/21/creating-a-searchable-pdf-with-opensource-tools-ghostscript-hocr2pdf-and-tesseract-ocr/
# from http://www.ehow.com/how_6874571_merge-pdf-files-ghostscript.html
# bash tut: http://linuxconfig.org/bash-scripting-tutorial
# Linux PDF,OCR: http://blog.konradvoelkel.de/2013/03/scan-to-pdfa/

— কোর্টনি প্যাটিসন
সূত্র

পরীক্ষামূলক 4 এ এটি হওয়া দরকার tesseract $f ${f%.*} -l eng --psm 3 pdf।

— রবিন ডিনসে

1

আমি tesseractওএস এক্স এও ব্যবহার করি। এটি সংক্ষেপে এখানে স্বয়ংক্রিয়করণ সম্পর্কে লিখেছেন ।

— তুয়ান আন ট্রান
সূত্র

5

যদিও এই লিঙ্কটি প্রশ্নের উত্তর দিতে পারে, উত্তরের প্রয়োজনীয় অংশগুলি এখানে অন্তর্ভুক্ত করা এবং রেফারেন্সের জন্য লিঙ্কটি সরবরাহ করা ভাল। লিঙ্কযুক্ত পৃষ্ঠাগুলি পরিবর্তিত হলে লিঙ্ক-শুধুমাত্র উত্তরগুলি অবৈধ হতে পারে। দয়া করে এখানেও একবার দেখুন: Apple.stackexchange.com/help/deleted-answers

— bummi