Распознавание pdf

Распознавание pdf.

1 Решения по распознаванию pdf

1.1 OCRmyPDF

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

1.2 pdfsandwich

• Сайт: http://www.tobias-elze.de/pdfsandwich/

2 Некоторые типовые задачи

2.1 Перенос ocr-слоя из одно файла в другой

2.1.1 Постановка задачи

• Есть 2 pdf-файла:
  • хороший, но без текстового слоя;
  • плохой, но с правильным текстовым слоем.
• Оба файла содержат одинаковые изображения.
• Цель состоит в том, чтобы встроить текстовый слой из второго файла в первый pdf-файл.

2.1.2 Пример задачи

• Первый файл подготовлен с помощью OCRmyPDF, имеет адекватный размер.
• Второй файл обработан FineReader, имеет хороший текстовый слой, но очень большой размер.

2.1.3 Варианты решения

• Удалить изображения из файла input_ocr.pdf с помощью Ghostscript:

  1gs -o "input_ocr_textonly.pdf" -sDEVICE=pdfwrite -dFILTERIMAGE "input_ocr.pdf"
  

• Объединить его с файлом input_image.pdf с помощью pdftk:

  1pdftk "input_ocr_textonly.pdf" multistamp "input_image.pdf" output "output.pdf"
  

• Или объединить его с файлом input_image.pdf с помощью qpdf:

  1qpdf --empty --pages "input_image.pdf" -- --underlay "input_ocr_textonly.pdf" -- "output.pdf"
  

2.1.4 Ресурсы

• https://superuser.com/questions/679979/copy-pdf-text-layer-to-another-pdf