Распознавание pdf. OCRmyPDF

Распознавание pdf. OCRmyPDF

1 Общая информация

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

2 Примеры использования

• Список языков для распознавания:

  1tesseract --list-langs
  

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

  1ocrmypdf -l rus+eng input.pdf output.pdf
  

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

  1ocrmypdf input.pdf
  

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

  1ocrmypdf --skip-text input.pdf output.pdf
  

• Очистите, исправьте перекос и поверните плохо отсканированные страницы:

  1ocrmypdf --clean --deskew --rotate-pages input.pdf output.pdf
  

• Убрать фон:

  1ocrmypdf --clean --remove-background input.pdf output.pdf
  

• Разделить сдвоенные страницы:

  1ocrmypdf --clean --clean-final --unpaper-args '--layout double' input.pdf output.pdf
  

• Контролируем оптимизацию:

  1ocrmypdf --optimize 3 --jbig2-lossy input.pdf output.pdf
  

• Распознавание с оптимизацией:

  1ocrmypdf -l rus+eng --optimize 3 --jbig2-lossy input.pdf output.pdf
  

• Задать метаданные PDF-файла:

  1ocrmypdf --skip-text --title "<title>" --author "<author>" --subject "<subject>" --keywords "<keyword; key phrase; ...>" input_file.pdf output.pdf
  

• Не распознавать pdf-файл

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

  1ocrmypdf --tesseract-timeout=0 --remove-background input.pdf output.pdf
  

• Удалить весь распознанный текст из pdf-файла:

  1ocrmypdf --tesseract-timeout 0 --optimize 3 --force-ocr input.pdf output.pdf
  

• Оптимизация изображений без выполнения распознавания:

  1ocrmypdf --tesseract-timeout=0 --optimize 3 --skip-text input.pdf output.pdf