问题描述
我对文件进行了质量良好的扫描；此类扫描件为 pdf 格式。
如何将 OCR 信息添加到 PDF，以便它可以搜索？可搜索我的意思是目标是当用 evince 查看 pdf 时，CTRL-F 实际上允许我在 pdf 内容中搜索。
最佳思路
pdfsandwich
做你想做的并提供 Ubuntu deb 包。它使用 tesseract 作为 OCR 引擎。以下调用将文本层添加到扫描的 PDF 中：
pdfsandwich scanned.pdf
以下是相同的，但使用另一种语言(ISO 639-2 代码，下载 tesseract-ocr-LANGCODE 包)并设置布局：
pdfsandwich -verbose -lang spa -layout single scanned.pdf
如果您遇到任何错误，请 download last version deb from Sourceforge 。
免责声明：我是 pdfsandwich 的开发者，因此显然有偏见。
次佳思路
有两个项目可以解决问题：GScan2PDF 和 OCRFeeder
第三种思路
OCRmyPDF 是一个易于实施并提供与输入文件质量相同且大小合理的输出 pdf 的解决方案：
\\n
OCRmyPDF adds an OCR text layer to scanned PDF files, allowing them to be searched or copy-pasted.
\\n
ocrmypdf # it's a scriptable command line program\\n -l eng+fra # it supports multiple languages\\n --rotate-pages # it can fix pages that are misrotated\\n --deskew # it can deskew crooked PDFs!\\n --title "My PDF" # it can change output metadata\\n --jobs 4 # it uses multiple cores by default\\n --output-type pdfa # it produces PDF/A by default\\n input_scanned.pdf # takes PDF input (or images)\\n output_searchable.pdf # produces validated PDF output\\n\\n
第四种思路
我找到了一个不理想但非常有效的解决方案。
我通过 Wine 使用 PDF X-Change Viewer。它具有 OCR 功能，可将文本层添加到现有的基于图像的 pdf 中。
因此，您可以从这个不可见层搜索和复制文本。
