Распознавание pdf. OCRmyPDF

Распознавание pdf. OCRmyPDF

1 Общая информация

• Репозиторий: https://github.com/ocrmypdf/OCRmyPDF
• Сайт: https://ocrmypdf.readthedocs.io/

2 Примеры использования

2.1 Распознавание

• Список языков для распознавания:

  tesseract --list-langs
  

• Преобразовать сканированный файл в файл PDF/A с распознаванием русского и английского языков:

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

• Заменить отсканированный PDF-файл PDF/A-файлом:

  ocrmypdf input.pdf
  

• Пропустить страницы входного PDF-файла смешанного формата, которые уже содержат текст:

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

• Очистите, исправьте перекос и поверните плохо отсканированные страницы:

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

• Убрать фон:

  ocrmypdf --clean --remove-background input.pdf output.pdf
  

• Разделить сдвоенные страницы:

  ocrmypdf -l rus+eng --clean --clean-final --unpaper-args '--layout double' input.pdf output.pdf
  

• Контролируем оптимизацию:

  ocrmypdf --optimize 3 --jbig2-lossy input.pdf output.pdf
  

• Распознавание с оптимизацией:

  ocrmypdf -l rus+eng --optimize 3 --jbig2-lossy input.pdf output.pdf
  

• Задать метаданные PDF-файла:

  ocrmypdf --skip-text --title "<title>" --author "<author>" --subject "<subject>" --keywords "<keyword; key phrase; ...>" input_file.pdf output.pdf
  

2.2 Не распознавать pdf-файл

• При установке параметра --tesseract-timeout 0 OCRmyPDF будет обрабатывать изображения без выполнения OCR.

  ocrmypdf --tesseract-timeout=0 --remove-background input.pdf output.pdf
  

• Удалить весь распознанный текст из pdf-файла:

  ocrmypdf --tesseract-timeout 0 --optimize 3 --force-ocr input.pdf output.pdf
  

• Оптимизация изображений без выполнения распознавания:

  ocrmypdf --tesseract-timeout=0 --optimize 3 --skip-text input.pdf output.pdf
  

2.3 OCR для больших изображений

• Иногда не распознаются некоторые страницы.
• Tesseract имеет внутренние ограничения по размеру изображений, которые он обработает.
• По умолчанию включён --tesseract-downsample-large-images, OCRmyPDF будет понижает разрешение изображений.
• Эту функцию можно отключить с использованием --no-tesseract-downsample-large-images.
• Необходимо установить --tesseract-timeout достаточно большим:

ocrmypdf --tesseract-timeout 600 --tesseract-downsample-large-images bigfile.pdf output.pdf

• Можно установить границу уменьшения в 5000 пикселей:

ocrmypdf --tesseract-timeout 120 --tesseract-downsample-large-images --tesseract-downsample-above 5000 bigfile.pdf output_downsampled_ocr.pdf

2.4 Используемые мной команды

• Удалить весь распознанный текст из pdf-файла (если текст кракозябрами):

  ocrmypdf --tesseract-timeout 0 --optimize 3 --force-ocr input.pdf output.pdf
  

• Распознать файл:

  ocrmypdf -l rus+eng --optimize 3 --tesseract-timeout 600 --tesseract-downsample-large-images input.pdf output.pdf