OCRmyPDF: Anleitung zur lokalen Bereitstellung und Nutzung 239

OCRmyPDF ist ein Tool, das hauptsächlich dazu dient, gescannten PDF-Dateien eine durchsuchbare und kopierbare OCR-Textebene hinzuzufügen. Es unterstützt mehrere Sprachen, kann Bilder optimieren, Schräglagen korrigieren, Seiten reinigen und die Ausrichtung automatisch drehen. Im Folgenden finden Sie eine Anleitung zur lokalen Bereitstellung von OCRmyPDF:

Methode zur lokalen Bereitstellung von OCRmyPDF

OCRmyPDF bietet verschiedene Installationsmethoden an, abhängig von Ihrem Betriebssystem und Ihren Anforderungen.

1. Installation über den Systempaketmanager

Debian/Ubuntu:

apt install ocrmypdf

Fedora:

dnf install ocrmypdf tesseract-osd

macOS (Homebrew):

brew install ocrmypdf

Windows Subsystem for Linux:

apt install ocrmypdf

2. Installation mit Python pip

Wenn Sie die neueste Version installieren müssen oder die vom Systempaketmanager bereitgestellte Version veraltet ist, können Sie pip verwenden:

pip install ocrmypdf

Alternativ können Sie pipx verwenden, um eine isolierte Python-Umgebung zu erstellen:

pipx install ocrmypdf

3. Installation mit Docker

Wenn Sie Docker verwenden, können Sie das Docker-Image von OCRmyPDF mit dem folgenden Befehl installieren:

docker pull jbarlow83/ocrmypdf

Beim Ausführen können Sie die Eingabe- und Ausgabedateien in den Container einbinden:

docker run -v /path/to/input.pdf:/input.pdf -v /path/to/output.pdf:/output.pdf jbarlow83/ocrmypdf /input.pdf /output.pdf

4. Installation aus dem Quellcode

Wenn Sie aus dem Quellcode installieren möchten (z. B. um die neuesten Funktionen zu entwickeln oder zu testen), können Sie das GitHub-Repository klonen und installieren:

git clone https://github.com/ocrmypdf/OCRmyPDF.git
cd OCRmyPDF
pip install -e .

Abhängigkeiten

• Python 3.10 oder höher

• Ghostscript 9.54 oder höher

• Tesseract 4.1.1 oder höher

• jbig2enc 0.29 oder höher (optional, zur Optimierung der Ausgabedateigröße)

• pngquant 2.5 oder höher (optional, zur Optimierung von PNG-Bildern)

• unpaper 6.1 oder höher (optional, zur Bildbereinigung)

Wichtige Hinweise

• 32-Bit-Unterstützung: OCRmyPDF unterstützt keine 32-Bit-Systeme. Es wird empfohlen, eine 64-Bit-Version zu verwenden.

• Windows-Benutzer: Es wird empfohlen, das Windows Subsystem for Linux oder Docker zu verwenden, um Kompatibilitätsprobleme zu vermeiden.

• macOS-Benutzer: Sie können über Homebrew installieren, müssen jedoch zusätzlich die Tesseract-Sprachpakete installieren (z. B. tesseract-lang).

Installation überprüfen

Nach Abschluss der Installation können Sie mit dem folgenden Befehl überprüfen, ob OCRmyPDF erfolgreich installiert wurde:

ocrmypdf --version

OCRmyPDF Nutzungsanleitung

1. OCR-Textebene hinzufügen

Kernfunktion: Fügt gescannten PDF-Dateien eine durchsuchbare Textebene hinzu, sodass der Dokumentinhalt kopiert und durchsucht werden kann.

Beispielbefehl:

ocrmypdf input.pdf output.pdf

2. Mehrsprachige Unterstützung

Funktionsbeschreibung: Unterstützt über 100 Sprachen. Benutzer können je nach Sprache des Dokuments das passende Sprachpaket auswählen, um die OCR-Genauigkeit zu verbessern.

Beispielbefehl:

ocrmypdf --language chi_sim input.pdf output.pdf  # Vereinfachtes Chinesisch
ocrmypdf --language eng input.pdf output.pdf      # Englisch

3. Bildoptimierung

Funktionsbeschreibung: Optimiert die Bilder im PDF, einschließlich Anpassung der Auflösung, Komprimierung der Bildgröße usw., um kleinere Dateien zu erzeugen und gleichzeitig die Bildqualität zu erhalten.

Beispielbefehl:

ocrmypdf --optimize 3 input.pdf output.pdf  # Maximale Optimierung

4. Schräglagenkorrektur und Bereinigung

Funktionsbeschreibung: Vor der OCR werden die Bilder korrigiert (Schräglage beheben) und bereinigt (Flecken, Rauschen usw. entfernt), um die OCR-Genauigkeit zu erhöhen.

Beispielbefehl:

ocrmypdf --deskew --clean input.pdf output.pdf

5. Seiten automatisch drehen

Funktionsbeschreibung: Erkennt automatisch die Ausrichtung der Seiten und dreht sie, sodass alle Seiten die gleiche Ausrichtung haben, was das Lesen und die Verarbeitung erleichtert.

Beispielbefehl:

ocrmypdf --rotate-pages input.pdf output.pdf

6. In das PDF/A-Format konvertieren

Funktionsbeschreibung: Konvertiert die Ausgabedatei in das PDF/A-Format, einen internationalen Archivierungsstandard, der sich für die Langzeitspeicherung eignet.

Beispielbefehl:

ocrmypdf --output-type pdfa input.pdf output.pdf

7. Doppelseitige Seiten entfernen

Funktionsbeschreibung: Erkennt automatisch Doppelseiten im PDF und entfernt sie, um die Dateigröße zu reduzieren.

Beispielbefehl:

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

8. Hintergrund entfernen

Funktionsbeschreibung: Entfernt den Hintergrund auf den PDF-Seiten, sodass der Text klarer und besser lesbar wird.

Beispielbefehl:

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

9. PDF/A-Format erzeugen

Funktionsbeschreibung: Erzeugt Dateien, die dem PDF/A-Standard entsprechen und sich für die Langzeitarchivierung und -speicherung eignen.

Beispielbefehl:

ocrmypdf --output-type pdfa input.pdf output.pdf

10. Bereits OCR-verarbeitete Seiten überspringen

Funktionsbeschreibung: Wenn bestimmte Seiten im PDF bereits eine Textebene enthalten, können diese übersprungen werden, um eine doppelte Verarbeitung zu vermeiden.

Beispielbefehl:

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

11. Benutzerdefinierte DPI

Funktionsbeschreibung: Ermöglicht die Angabe der Bildauflösung (DPI) für die OCR-Verarbeitung. Der Standardwert ist 300 DPI.

Beispielbefehl:

ocrmypdf --dpi 350 input.pdf output.pdf

12. In Monochrom-Bilder konvertieren

Funktionsbeschreibung: Konvertiert Farb- oder Graustufenbilder in Monochrom-Bilder, um die Dateigröße zu reduzieren.

Beispielbefehl:

ocrmypdf --output-type pdf --monochrome input.pdf output.pdf

13. Protokolldatei erzeugen

Funktionsbeschreibung: Erzeugt eine detaillierte Protokolldatei zur einfacheren Fehlersuche und Dokumentation des Verarbeitungsprozesses.

Beispielbefehl:

ocrmypdf --log-file output.log input.pdf output.pdf

14. Stapelverarbeitung

Funktionsbeschreibung: In Kombination mit Skripten oder Kommandozeilen-Tools (z. B. GNU Parallel) können mehrere PDF-Dateien stapelweise verarbeitet werden.

Beispielbefehl:

for file in *.pdf; do
ocrmypdf "$file" "output_$file"
done

15. Unterstützung mehrerer Eingabeformate

Dateien zum Generieren von PDFs, einschließlich TIFF, PNG usw.

Beispielbefehl:

ocrmypdf input.tiff output.pdf

16. PDFs komprimieren

Funktionsbeschreibung: Nach der OCR-Verarbeitung können PDF-Dateien weiter komprimiert werden, um die Dateigröße zu reduzieren.

Beispielbefehl:

ocrmypdf --optimize 3 input.pdf output.pdf

17. Konvertierung in PDF/A-2b oder PDF/A-2u

Funktionsbeschreibung: Erzeugt Dateien, die den Standards PDF/A-2b oder PDF/A-2u entsprechen, geeignet für unterschiedliche Anforderungen.

Beispielbefehl:

ocrmypdf --output-type pdfa-2b input.pdf output.pdf
ocrmypdf --output-type pdfa-2u input.pdf output.pdf

18. Unicode-Unterstützung

Funktionsbeschreibung: Unterstützt Unicode-Zeichen und gewährleistet die korrekte Verarbeitung mehrsprachiger Dokumente.

Beispielbefehl:

ocrmypdf --language chi_sim --language eng input.pdf output.pdf

19. Benutzerdefinierter Ausgabedateiname

Funktionsbeschreibung: Der Name der Ausgabedatei kann benutzerdefiniert werden, um Verwaltung und Identifikation zu erleichtern.

Beispielbefehl:

ocrmypdf input.pdf "output_with_date_$(date +%Y%m%d).pdf"

20. Unterstützung von Kommandozeilenargumenten

Funktionsbeschreibung: Über Kommandozeilenargumente können die verschiedenen Funktionen von OCRmyPDF flexibel konfiguriert werden.

Beispielbefehl:

ocrmypdf --help

OCRmyPDF Lokales Deployment und Verwendungstutorial:https://ocrmypdf.readthedocs.io/en/latest/installation.html