コマンドライン/スクリプトで既存のPDFを検索可能（OCR）にします

OCRを実行して既存のPDFファイルを検索可能にし、元の検索不能ファイルを検索可能バージョンに置き換えて、無人で実行できるオフラインスクリプト可能ツールを探しています。

たとえば、www.pdfscannerapp.com-私が必要とするものを正確に実行しますが、GUIのみです-スクリプト化できません。

EvernoteはPDFファイルを検索可能にすることを知っていますが、それらはEvernote内でのみ検索可能です。

私は完璧なOCRを探していません。適度に受け入れられるOCRでも問題ありませんが、かさばるソフトウェアパッケージよりも小さなユーティリティを好むでしょう。

（ADに関する同様の、しかし異なる質問を認識しています：スキャンまたは検索および署名可能なPDFに変換するソフトウェアを探しています-ただし、私はPDFに署名または記入する必要はなく、私の要件はソリューションがスクリプト可能であることです）

編集：

1）いくつかのユーティリティは、構造化テキストの抽出を許可しますが、抽出するためにはテキストがそこになければなりません。主に、スキャナーで生成されたプレーンPDFの場合のように、ラップされたビットマップであるPDFを参照しています。

2）必ずしも無料のソリューションを探しているわけではなく、必要なことだけを行う優れたユーティリティに喜んで支払いますが、OCR機能を含む100万の機能を備えたかさばるアプリケーションは探していませんが、そのコストは、OCR機能のためだけに購入することを正当化するものではありません。

3）上記のように、私は完璧なOCRを探しているのではなく、適度に受け入れられるOCRを探しています。残念ながら、私の経験では、tesseractは実際にそのしきい値を下回っています。少なくとも口座番号（顧客番号）が正しく認識されるように、たとえば公共料金の請求書をOCRできるOCRを「適度に受け入れられる」と定義します。

編集：「スクリプト可能」または「自動化可能」、つまり、自動的にトリガーされ、人間の入力なしで無人で実行できます。

「コマンドライン」からこれを「スクリプト化」できるようにするための要件が​​何であるかは、私には完全には明らかではありません。

自動化について話している場合、それは任意の数のユーティリティで可能です。

ABBYY FineReader Express +キーボードマエストロ+ハシバミ

私はABBYY FineReader Express + Keyboard Maestro + Hazelを次のように使用します：

1. Hazelは、新しいPDFがないか指定されたフォルダーを監視します

2. PDFが見つかった場合、「ABBYY FineReader Express」で開かれます

3. Keyboard Maestroは、PDFを検索可能なPDF（OCR）に変換するプロセスを自動化し、ファイルを別のディレクトリに保存します。

現在、HazelとKeyboard Maestroをまだ所有していない場合、初期コストは非常に急速に上昇します（両方に依存しているにもかかわらず、それらはお買い得だと考えています）。

PDFPen + AppleScript +フォルダーアクション

PDFPen（またはPDFPenPro）およびフォルダーアクションとAppleScriptで同様のことができます。1つの例については、https：//gist.github.com/prenagha/1355037を参照してください。

Marco ArmentはMac用のOCRアプリの調査を行い、PDFPenは素晴らしい結果をもたらし、自動化が容易であることがわかりました。

「PDFpen applescript OCR」をグーグルで検索すると、いくつかの選択肢が見つかります。

必要なのはTesseract OCRです。これは、Googleが管理し、さまざまなプラットフォームをサポートするオープンソースのOCRです。また、ネイティブコマンドラインインターフェイスも備えています。それはまさにあなたが探しているものであり、Macのportsプロジェクトやhomebrewから入手できます。

プロジェクトホーム：https : //github.com/tesseract-ocr

OS Xにインストールする方法：http : //blog.matt-swain.com/post/26419042500/installing-tesseract-ocr-on-mac-os-x-lion

使用例： tesseract -l eng input.pdf output

免責事項： OCRソリューションではありません（ただし、この回答はPDFからテキストを抽出するのに役立ちます）

Apache TikaというApache Software Foundationプロジェクトがあります。

ツールキットは、既存のパーサーライブラリを使用して、さまざまなドキュメントからメタデータと構造化テキストコンテンツを検出および抽出します。

PDFBoxを使用したPDFテキスト抽出をサポートします。

新しいPDFドキュメントの作成、既存のドキュメントの操作、およびドキュメントからコンテンツを抽出する機能を許可します。Apache PDFBoxには、いくつかのコマンドラインユーティリティも含まれています

また、最近、OCRのサポートも追加されました（Tesserac経由）

テキストベースのソリューションの場合、PDFBoxを使用すると、PDFからテキストを非常に簡単に抽出できます。

• https://pdfbox.apache.org/downloads.htmlpdfbox-appからパッケージをダウンロードします

• ExtractTextコマンドを実行します：

  java -jar pdfbox-app-xyzjar ExtractText myNiceBook.pdf myNiceBook.txt

また、ExtractText docsで見ることができる他の素晴らしいオプションもいくつかあります。

DEVONThink Pro Officeをお勧めします。これは優れたアプリケーションであり、AppleScriptのサポートが非常に優れています。残念ながら、OCR機能を備えているのは「Pro Office」バージョンのみです。そのため、100ポンド（150米ドル）を支払う必要があります。

スクリプト化されたOCRにのみ使用している場合、それは過剰になりますが、非常に優れたアプリです。

[編集]-投稿を読み直してください-間違いなくやり過ぎです！

シェルからOCRが必要な場合は、エンジンDEVONがライセンスを取得しているABBYと話してみてください。

http://www.abbyy-developers.com/en:tech:samples:commandline_ocr

テキストファイルに変換することで、既存のPDFを検索可能にすることができます。そのためには、少なくともImagemagick、Ghostscript（PDF変換用）、およびTesseract OCRツールが必要です。

いくつかのコマンドラインの例：

$ wget http://www.fmwconcepts.com/misc_tests/pdf_tests/test.pdf
$ convert -density 300 -depth 8 test.pdf test.png
$ tesseract test*.png test.txt
$ grep -i --color=auto the test*.txt
**The** details as told by surviving crew members, to **the** German publication Spiegel and published on ABC's

これは、ニーズに合わせてさらに拡張できます。

必要なツールをインストールするには、OSXでHomebrewを使用してインストールできます。

brew install imagemagick jpeg libpng ghostscript tesseract

Linuxでは、apt-getまたはのyum代わりに使用しますbrew。

その他のOCRツールについては、チェック：LinuxシステムのOCR

関連：

• Linuxでコマンドラインツールを使用してOCRを実行する
• Linuxでコマンドラインツールを使用してPDFを操作する

簡単に実装でき、同じ品質の入力ファイルと適切なサイズの出力PDFを提供するソリューションはOCRmyPDFです。

https://github.com/jbarlow83/OCRmyPDF

Stackoverflowには、PDFBoxやPDFBoxが使用するApacheのTIKAなどをカバーするPDF解析関連の質問があります。以下のルビーコードは、PDFからの書き込みを抽出します。このタイプのコードが堅牢に機能するには、十分な解像度が必要です。そのため、大きな解像度の十分なスキャナーを入手し、いくつかのソフトウェアが動作するかどうかを確認してください。

例

1. https://github.com/yob/pdf-reader/tree/master/examples

SOスレッド

1. /programming/5217783/pdf-parse-to-text-in-java

2. /programming/8149179/alternative-to-tika-pdfbox-for-parsing-pdf-in-solr-any-version-later-than-1-4

3. /programming/320621/ruby-pdf-parsing-gem-library

4. /programming/15186740/haskell-parsing-reading-content-of-pdf-files

[編集]

あなたの問題を今理解したかどうかはわかりません。ランダムな写真、スクリーンショット、OCRレイヤーのないPDFなど、さまざまな種類の素材にOCRレイヤーを追加したいですか？私は解決策を知りませんが、誰かが知っているので、AutomatorといくつかのOCRソフトウェアでそれを行う方法について特定の質問をしたと確信しています：

素材にOCRを自動的に追加するOCRソフトウェアを備えたAutomatorスクリプト？

このタイプの自己指示型アプリケーションでは、私はHazelの大ファンです。

• http://www.noodlesoft.com/hazel.php

perlやpythonなどのコマンドライン指向のツールを学び、選択したOCRエンジン（現在はPDF Pen Pro）と組み合わせることなく、アクションをスクリプト化することが非常に簡単になります。ファイルを最小限で処理するのに問題はないはずです。大騒ぎ。

• http://www.smilesoftware.com/PDFpenPro/index.html

これらは両方とも有料ソフトウェアですが、両方のユーティリティはこの1つのケースをはるかに超えています。私の状況では、過去のスキャンされた記録（および進行中の紙）のデジタル化に伴う労力により、これらの価格は他の場所でプログラミングに費やす時間をはるかに上回り、現在両方のツールを所有しているため、他の多くのタスクを実行できますそれら。

PDFScannerAppには非公式のスクリプトサポートがあります。Automatorアクションの作成者に連絡してください。

バッチでOCRにAdobe acrobatを使用します。私の両面スキャナーはスキャン後にOCRを実行できますが、アクロバットのOCRテクノロジーは私の意見ではより正確です。OCRがないフォルダーをポイントすると、acrobatがテキストレイヤーを含む検索可能なPDFとしてPDFを再保存します。コマンドライン経由でOCRを実行したい場合、方法はわかりませんが、Autohotkeyを使用してGUIの終了を自動化できます。コマンドラインほど信頼性も高速もありませんが、GUI操作を最小限に抑えるためにワークフローアクションを設定した後は、ジョブを実行します。

Macの場合、AppleスクリプトはPCでAutohotkeyが行うことを行いますが、Macではまだ試していません。

オートホットキーにはレコーダーが付属しているため、スクリプト作成のほとんどは夕食会で、少し編集して微調整し、必要に応じてループすることもできます。

私はOCR画像を実験してきましたが、アクロバットを介してプロセスをまだ完全に自動化していません。コマンドラインは理想的ですが、acrobatを超える高品質のOCRエンジンを見つけていないので、今のところacrobatを使い続けます。

私は最近これにつまずいた：http : //ocrkit.com/faq.html

あなたはしかし14日後に支払う必要があります

Dockerを使用して高品質のドラッグアンドドロップ変換が機能するようになりました。

もし、あんたが：

1. MacにDockerをインストールし、
2. 次に、新しいAutomatorアプリを作成します
3. これらの内容は「シェルスクリプトの実行」アクション内にあります。パス入力を選択："as arguments"

/bin/bash スクリプトテキスト：

cd "`dirname "$1"`"
/usr/local/bin/docker run --rm -v "$(pwd):/home/docker" jbarlow83/OCRmyPDF --force-ocr "`basename "$1"`" "`basename -s .pdf "$1"`-ocr.pdf"

その後、PDFをその上にドラッグアンドドロップすると、ファイル名に「-ocr」が追加された同様の名前のPDFが得られます。

ファイルをAutomatorに返してどこかにコピーするように簡単に変更できると思います。細かいOCRmyPDFドッカーパッケージの詳細。そして、メインツールは（も異なるの回答で述べました）。

Automator自体で、「指定されたFinderアイテムを取得」アクションを入力としてテストできます。

OCRmyPDFのDockerイメージを（目に見えないように）ダウンロードする必要があるため、初めて実行する場合は、さらに時間がかかります。ターミナルでは、代わりに実行docker pull jbarlow83/ocrmypdfして最初の実行を高速化できます。通常の実行では、高DPIページごとに約10秒かかりますが、表や図があっても自動的にテキストを音声に変換できる結果になります。OCRを実行する前に、Sejdaを使用してクロップするため、他のページからの意味のないマージンワードは削除されます。

この--force-ocr引数は、以前のOCR試行を無視して上書きするようにツールに指示します。これは、私の場合、通常は部分的で役に立たないだけです。

OCRKitは、AppleScriptサポートとCLIの両方を備えています。ヘルプページから：

AppleScript

OCRKitをスクリプト化して、特定のワークフローに統合することもできます。たとえば、MFPコピーマシンなどから共有フォルダーを介して着信ファイルを処理し、OCRKitに開くように指示するだけで、AppleScriptを介して処理されます。

tell application "OCRKit"
   -- the wonders of AppleScript POSIX path handling, ...
   open "Users:admin:Desktop:orderform.pdf"
   open POSIX path of "/Users/Admin/Desktop/orderform.pdf"
end tell 

コマンドライン

OCRKitバージョン2.5以降では、ダイレクトコマンドラインスクリプトがサポートされています。これにより、バッチ処理でのOCRKitの使用が大幅に簡素化され、より多くのオプションを設定できるようになり、AppleSCriptよりも堅牢でクロスプラットフォームになります。

OCRKit.app/Contents/MacOS/OCRKit \ 
    --lang en | de | fr | es | ... \
    --format pdf | html | rtf | text \
    --no-progress \
    --output out-file in-file

OCRKitバージョン16.9以降、追加のコマンドラインオプションがサポートされています。

-r, --recursive directory

新しいファイルのディレクトリを再帰的にスキャンします。テキストレイヤーまたはベクターグラフィックスを使用して、OCRKitからファイルをスキップします。

--pattern "regex"

再帰スキャン中にファイル名を照合するために使用されるパターン。デフォルトは%.pdf$、TIFFの推奨事項です%.tiff?$

--log file

再帰スキャン中にログファイルの情報と統計をファイルに書き込みます。

--password secret

バッチ処理中にシークレットパスワードを使用してPDFファイルを復号化します。

--test-run [ fast ]

テストモードでテストバッチ処理を実行するのは、PDFファイルをテストするか、ページ数を取得して合計処理時間を推定する場合のみです。「高速」では、画像およびベクターの解析のためにすべてのページを調べるのではなく、各ファイルの最初のページのみをチェックします。

--tag name

拡張属性名を使用して、バッチ処理中にファイルの処理状態にタグを付けます。macos:OCRKit (%s)代わりにネイティブmacOS Finderタグを使用するか、単にmacos:OCRKitstate属性を含めません。状態属性の順序は次のとおりです。started、analyzed、 processed、とすることもできますencrypted。