Помощник сценариста▸ 
AI Приложения 
AI Новости 
OCRmyPDF: создание поисковых PDF/A файлов из обычных PDF
OCRmyPDF: создание поисковых PDF/A файлов из обычных PDFОписание
Что такое OCRmyPDF?
OCRmyPDF — это инструмент с открытым исходным кодом, работающий из командной строки, предназначенный для добавления searchable OCR text layer to scanned PDF files. Он поддерживает множество языков, умеет оптимизировать изображения, выполнять выравнивание (deskew), очистку страниц и автоматически поворачивать их, создавая файлы в формате PDF/A. Кроме того, поддерживается многоядерная обработка и пакетные операции, а полностью автономная работа обеспечивает безопасность данных.
Основные возможности OCRmyPDF
Создание доступных для поиска файлов PDF/A: генерация доступных для поиска файлов PDF/A из обычных PDF-файлов с сохранением исходного разрешения встроенных изображений.
Многоязычная поддержка: поддерживается более 100 языков; пользователь может выбрать подходящий языковой пакет в зависимости от языка документа, что повышает точность OCR.
Оптимизация изображений: OCRmyPDF может оптимизировать изображения в PDF, включая настройку разрешения и сжатие, создавая файлы меньшего размера при сохранении качества изображений.
Выравнивание и очистка: перед выполнением OCR OCRmyPDF может выравнивать изображения (исправлять наклон) и очищать их (удалять пятна, шум и т. п.), что повышает точность OCR.
Поворот страниц: автоматическое определение ориентации страниц и их поворот для обеспечения единообразия направления всех страниц, что удобно для чтения и обработки.
Многоядерная обработка: по умолчанию используются все доступные ядра процессора, что увеличивает скорость обработки и подходит для работы с большими файлами или пакетными задачами.
Пакетная обработка: можно объединять с GNU Parallel или другими скриптами для пакетной обработки нескольких PDF-файлов, повышая эффективность работы.
Безопасность данных: OCRmyPDF работает полностью автономно, данные хранятся на локальном устройстве пользователя, что обеспечивает безопасность и конфиденциальность данных.
Руководство по использованию OCRmyPDF
Установка: OCRmyPDF можно установить через pip, а также с помощью соответствующих менеджеров пакетов в Linux, macOS и Windows.
Базовое использование: чтобы начать обработку OCR, введите в командной строке следующую команду:
ocrmypdf input.pdf output.pdf
Расширенные параметры: можно указать язык распознавания OCR, например для обработки упрощённым китайским:
ocrmypdf --language chi_sim input.pdf output.pdf
Сценарии применения OCRmyPDF
Архивное дело: библиотеки, архивы и другие учреждения могут использовать OCRmyPDF для преобразования больших объёмов бумажных документов в оцифрованную форму с возможностью поиска, что упрощает хранение и поиск.
Научные исследования: учёные и исследователи могут использовать OCRmyPDF для быстрого оцифровывания статей и книг, что облегчает цитирование и анализ содержимого.
Журналистика и редакция: журналисты могут быстро извлекать содержимое новостных материалов из PDF-файлов в виде изображений, повышая эффективность работы.
Управление документами: компании и организации могут использовать OCRmyPDF для автоматизированного преобразования больших объёмов отсканированных контрактов, счетов и других документов, делая их доступными для поиска и архивирования.
Полезные ссылки
Официальный сайт: https://ocrmypdf.readthedocs.io/en/latest/
Репозиторий на GitHub: https://github.com/ocrmypdf/OCRmyPDF — здесь можно просмотреть исходный код проекта, сообщить о проблемах и принять участие в разработке.
Официальная документация: https://ocrmypdf.readthedocs.io/en/latest/index.html — подробно описаны установка, использование, функциональные возможности и разнообразные расширенные параметры OCRmyPDF.
Страница на PyPI: https://pypi.org/project/ocrmypdf/
Связанные материалы:
Локальное развёртывание и руководство по использованию OCRmyPDF
