Как организовать хранение PDF с поиском?

Question

[АртемЪ]

Есть довольно много бумажных документов которые сканируются и хранятся в PDF.
Хотелось бы организовать удобное хранение PDF с поиском по тексту.
Т.е распознавание и индексация текста документов чтобы можно было найти нужный PDF по ключевым словам.
Есть какие-то готовые решения или наработки в этом плане?

Answer 1

[Андрей Ермаченок]

Принцип - сканы распознают и делают Ворды или снова ПДФы, в которых снизу лежит текст, а сверху - скан. Текст позволяет индексировать документы, скан - защищает от ошибок распознания.
Используется в системах электронного документооборота - это готовые решения для вас.

Comments

[АртемЪ]

Так вот я и думаю в какой именно системе это более мене реализовано? Желательно бюджетно.
Т.е есть ли готовое решение, или надо самому искать консольную утилиту для распознавания и прикручивать к БД.

Там фишка в чем- на сканере прогоняется пачка бумаг, в результате в сетевой папке получается куча PDF'ок с ниочем не говорящими названиями.
Так вот их надо хранить, и как то находить. Т.е набрал "накладная №128" и нашел нужные документы содержащие эту строку.
Т.е надо распознать.
Сидеть вручную распознавать сотни и тысячи листов это не вариант.

Собственно в этом и вопрос - есть ли готовый продукт с таким функционалом?
Если нет, то нет ли на примете удобных консольных утилит для распознавания?

[Андрей Ермаченок]

АртемЪ: Был на презентации этой фирмы. Про цену не знаю. "Архивное дело" - ваш вариант.
У других разработчиков тоже есть аналоги.
e-office.by/produkty/arkhivnoe-delo
У ФайнРидера есть вариант и для пакетного распознавания.

[d'Ivan]

ABBYY FineReader - лидер в области распознавания текста (OCR). Готовое решение стоит денег. Если их мало, то поможет консольная утилита tesseract.

Answer 2

[Sohow]

Несколько лет успешно использую для поиска на локальной машине не только pdf-файлов Yandex desktop search

Comments

[АртемЪ]

Насколько я понимаю он ищет только по названию? В смысле PDF?

[АртемЪ]

Т.е формат PDF сам по себе может содержать текст.
Но в данном случае PDF созданный принтером это скан, т.е картинка, и никакого текста там нет.
Т.е чтобы искать надо картинку распознать и прикрепить к PDF этот текст.
Вот в этом собственно проблема.

[d'Ivan]

Sohow вопрос был не о поисковике, а о извлечении текста с изображений.

[d'Ivan]

Sohow И сканированные PDF-ки тоже индексирует?

Answer 3

[d'Ivan]

Xapian?
https://www.ibm.com/developerworks/library/os-xapi...

Answer 4

[danya5and21]

Надо продвинуть этот вопрос. У меня 100 pdf книг. Скачал с инета. Имя фала кривое. Ищу через Яндекс и копирую в файл PDF, Автомат не помешал б. Просто найти названия книг в яндексе они сразу находятся. Что б еще заменил результат поиска в названии.