Чем распознать текст на картинках в PDF?

Question

[0xC0CAC01A]

Есть PDF, в котором вперемешку и текст, и куча картинок с текстом. Чем его распознать в линуксе или онлайн, так чтобы все слова, включая те, что на картинках попали в результат в виде .txt файла?

Answer 1

[Alex G.]

Данная технология называется OCR.
Можно использовать OCR движок для распознавания например tesseract-ocr
Со списком команд и как экспортировать текст из PDF в TXT ознакомься уже сам )

Пишешь скрипт который будет отправлять страницы с изображениями в OCR, далее так же скриптами на выходе склеиваешь обработанный текст с уже имеющимся.

Comments

[0xC0CAC01A]

Спасибо, кэп. Но нет, это НЕ решение моего вопроса. СможеТЕ самостоятельно понять, почему? )

[Alex G.]

0xC0CAC01A, Ну я вижу загвостку тут только в картинках. Остальное легко решается с помощью скриптов

[0xC0CAC01A]

Загвоздка в мешанине из текста и картинок в PDF. Возьмите такой PDF и сами попробуйте.

[Alex G.]

0xC0CAC01A, На одной странице может быть текст и картинки?

[0xC0CAC01A]

Alex G., Да. А в картинках - тоже текст

[Alex G.]

0xC0CAC01A, Заморочно будет. Но сделать можно. Готовых решений увы не знаю.

[0xC0CAC01A]

Alex G., Спасибо. Ваш ответ очень помог )

[TryH4ckM3]

Любой онлайн OCR по первой ссылке

[0xC0CAC01A]

TryH4ckM3, Вы уверены?

[TryH4ckM3]

0xC0CAC01A, Я так делал. Было удовлетворительно.

[0xC0CAC01A]

TryH4ckM3, Чем именно пользовались?

[TryH4ckM3]

0xC0CAC01A https://convertio.co/ru/ocr/

[12rbah]

0xC0CAC01A, можно извлекать картинки отдельно и потом уже добавлять текст с них в файл

[0xC0CAC01A]

12rbah, спасибо, кэп. Да-да, ручками, тысячи картинок.

[12rbah]

0xC0CAC01A,

Да-да, ручками, тысячи картинок.

ты не болеешь чем-то случайно? Очень тяжело вбить в гугле pdf image extract tool и написать небольшой скрипт для автоматического извлечения изображения и текста