PDF OCR консольный вариант или python?

Question

[Игорь Статкевич]

Есть ли, что-то годное для распознавания PDF (интересует текст) через командную строку или городить свое на python, тогда может более менее адекватную библиотеку подскажите ?

Answer 1

[Алексей Guest007]

cuneiform из командной строки нормально распознаёт и сохраняет. А так - tesseract и pyocr. PDF напрямую не умеет, но растеризовать его в PNG - делов-то...
Как-нибудь так:

from wand.image import Image as Img
from wand.color import Color
from PIL import Image
import pyocr
import pyocr.builders
import os
from timeit import default_timer as timer

pdf_name = '1.pdf'
pdf_path = os.path.join(os.getcwd(), pdf_name)

img_name = 'pdf_1'
image = f'{img_name}.png'

with Img(filename=pdf_path, resolution=300) as img:
    img.format = 'png'
    img.background_color = Color('white')
    img.alpha_channel = 'remove'    
    img.save(filename=image)

tools = pyocr.get_available_tools()[1]
lang = tools.get_available_languages()

builder = pyocr.builders.TextBuilder()

start = timer()
text = tools.image_to_string(Image.open(image), lang='rus', 
                             builder=builder)
end = timer()
print(f"{end - start} \n\n")

print(text)

PyOCR - там нормальная документация

Comments

[Игорь Статкевич]

в сторону tesseract смотрел, но да с начало надо перегонять в png

[Алексей Guest007]

PDF - формат очень комплексный. Если там есть слой текста, то, скорее всего, распознавание тебе уже не нужно - просто вытащи его. Но в большинстве случаев там нет удобоваримого текста (внутри растр или вектор). Поэтому первым шагом надо растеризовать его. Т.е. сделать картинку. Скорее всего этим и занимаются на первом шаге всё-в-одном решения типа Cuneiform.
А перегонять - малозатратная операция (в сравнении с собственно распознаванием).

Answer 2

[tofel]

ABBYY FineReader

FineCmd.exe PRESS2.pdf /lang Mixed /out C:\temp\result.txt