免费的OCR软件，使PDF可搜索(与可搜索的文本在正确的地方)

Question

是否有任何免费的OCR软件(用于Linux和/或Windows)可以像Acrobat那样将PDF扫描文档作为输入并输出可搜索的PDF？

使用可搜索的PDF格式，我的意思是OCRed文本在原始文本上是不可见的，可以用鼠标选择并复制。

我知道Linux上的gscan2pdf可以这样做，但是文本被放置在页面的左上角，而且太小了，与背景扫描页面上的文本完全不同步。这是因为gscan2pdf将整个页面提供给OCR引擎。它应该将图像分解成小图像，用单行文本或小段落发送到OCR软件。

Answer 1

允许您这样做的工具是undefined。免费版本将允许您以多种语言对文档进行OCR (您可以免费下载额外的语言包)，并将OCR的文本添加为覆盖文本层，您可以从CTRL+F中复制并进行搜索。

• 具有许多功能的快速PDF查看器
• 快速OCR引擎(除非您选择最佳精度)
• 很多选项的旁边都有PRO图标(只能在专业版上使用)，但是您可以隐藏它们。
• 颜色管理和自定义屏幕DPI设置
• Windows仅适用于应用程序，它似乎不适用于葡萄酒(查看器工作，但OCR功能使其崩溃)

它所没有的：

• OCR没有利用多核
• OCR不检测字符样式(粗体、斜体)或复制函数丢失它们
• 它不使用正确的罗马尼亚文 决裂学，但如果在编辑器中复制文本并执行搜索和替换，则可以修复：

Answer 2

试试pdfsandwich。从手册上说：

pdf三明治生成“三明治”OCR pdf文件，即只包含图像(不包含文本)的pdf文件将被光学字符识别(OCR)处理，文本将被无形地“在”图像后面添加到每一页。Pdf三明治是一个命令行实用程序。如果您有一个扫描的pdf文件，例如这个文件：alice.pdf (这是您可能听说过的小说的第一章)，请调用如下的pdf三明治:pdf三明治alice.pdf --它将生成一个文件alice_ocr.pdf，该文件看起来像原始文件，但识别的文本将放在扫描图像的后面。您可以立即进行全文搜索或选择文本区域。

另一种选择可能是OCRmyPDF。

Answer 3

较新版本的特塞尔 (2014年写这个的时间的3.03 RC版本)可以做到这一点：

• 自由的，开放的和交叉的褶皱
• 从3.03版本开始，可获得PDF输出
• CLI软件
• 多语言支持
• 不幸的是，单一的图像输入，所以要制作一个完整的文档，必须创建一个批处理脚本来将每个页面图像转换为可搜索的PDF。在此之后，应该使用pdftk这样的工具将PDF页面组合成一个PDF。

这是命令：

tesseract -l <lang> input.tif output pdf