扫描PDF文档和图像的搜索工具

Question

我正在寻找一个工具，可以搜索扫描PDF文档和图像中的文本。我试过Evernote，我真的很喜欢它，但是我不想在别人的云上有个人文档。

我是一个开发人员，所以我可以自己做一些小事情，但解析PDF文件的文本是远远超出我的范围。

重要特性

1. 无云服务
2. 处理扫描PDF文档和图像的能力
3. 应该能够可靠地处理多达100,000份文件。
4. 必须在具有8GB RAM的Linux或Windows 10上运行
5. 最好有一个安全的Web接口，允许我添加文档和搜索文档
6. 必须支持大型文档>50 Must

不太重要的特性

1. 支持文档加密(例如，搜索需要身份验证)
2. 可以处理其他文档类型(原始文档、docx文档、pptx文档等)。
3. 添加多个用户的能力

预算

不是每年50欧元左右，就是一次大约200欧元。

Answer 1

您可能可以在python pdfminer/pdfminer3k方面取得一些进展，但最大的问题是扫描的pdf文件只包含由扫描仪执行的任何OCR (光学字符识别)的文本。这在质量上差别很大，取决于原始文档的字体和质量以及扫描仪。

如果文本在pdf中显示并具有良好的质量，您可以使用pdfminer提取它并从它中索引您的文件，但否则，您必须首先使用诸如Aprise (都收费)或特塞尔 (免费的，并带有包括pyTesseract在内的一些前端)之类的东西对页面的图像执行OCR。

如果你的pdf文件包括手写或差扫描质量的文件，你可能会挣扎。