Rendre un PDF existant consultable (OCR) via la ligne de commande / script.

Je recommande DEVONThink Pro Office . Il s'agit d'une excellente application, avec un très bon support AppleScript. Hélas, seule la version "Pro Office" est dotée de la fonction OCR - il vous faudra donc débourser 100 £ (150 $).

Ce serait une surcharge si vous ne l'utilisez que pour l'OCR scriptée - mais c'est une très bonne application.

[edit] - ah je viens de relire ton post - ce serait vraiment exagéré !

Si vous voulez seulement l'OCR à partir du shell, vous pouvez essayer de parler à ABBY dont le moteur est sous licence DEVON :

http://www.abbyy-developers.com/en:tech:samples:commandline_ocr

Stackoverflow a des questions connexes sous Analyse du PDF couvrant des choses comme PDFBox et TIKA d'Apache que PDFBox utilise. Le code ruby ci-dessous extrait l'écriture du PDF. Vous devez avoir une assez bonne résolution pour que ce type de code fonctionne de manière robuste. Donc, procurez-vous un scanner de bonne qualité avec une résolution élevée et voyez si certains logiciels fonctionnent.

Exemples

1. https://github.com/yob/pdf-reader/tree/master/examples

Fils de SO

1. https://stackoverflow.com/questions/5217783/pdf-parse-to-text-in-java

2. https://stackoverflow.com/questions/8149179/alternative-to-tika-pdfbox-for-parsing-pdf-in-solr-any-version-later-than-1-4

3. https://stackoverflow.com/questions/320621/ruby-pdf-parsing-gem-library

4. https://stackoverflow.com/questions/15186740/haskell-parsing-reading-content-of-pdf-files

[Edit]

Je ne suis pas sûr d'avoir compris votre problème maintenant. Vous voulez ajouter une couche d'OCR à différents types de matériel tels que des photos aléatoires, des captures d'écran, des PDF sans couche d'OCR et ainsi de suite ? Je ne connais pas la solution mais je suis sûr que quelqu'un la connaît et j'ai donc posé une question spécifique sur la façon de le faire avec Automator et un logiciel d'OCR :

Automator-script avec un logiciel d'OCR pour ajouter automatiquement l'OCR au matériel ?

Pour ce type d'application autogérée, je suis un grand fan de Hazel.

• http://www.noodlesoft.com/hazel.php

Il permet de réaliser très facilement des actions script sans avoir besoin d'apprendre un outil plus orienté ligne de commande comme perl ou Python. Associé au moteur d'OCR de votre choix (le mien est actuellement PDF Pen Pro), vous ne devriez avoir aucun problème pour traiter vos fichiers avec un minimum d'efforts.

• http://www.smilesoftware.com/PDFpenPro/index.html

Ces deux logiciels sont payants, mais leur utilité va bien au-delà de ce cas précis. Dans ma situation, avec le travail nécessaire pour numériser mes anciens documents scannés (et le papier en cours), le prix de ces logiciels dépasse de loin le temps que j'aurais passé à programmer cela ailleurs et maintenant que je possède les deux outils, je peux effectuer de nombreuses autres tâches avec eux.

J'ai obtenu une conversion Drag & Drop de haute qualité en utilisant Docker.

Si vous :

1. installer Docker pour votre Mac y
2. puis créez une nouvelle application Automator
3. avec ce contenu à l'intérieur d'une action "Run a Shell script". Choisissez "Pass Input" : "as arguments"

/bin/bash script texte :

cd "`dirname "$1"`"
/usr/local/bin/docker run --rm -v "$(pwd):/home/docker" jbarlow83/OCRmyPDF --force-ocr "`basename "$1"`" "`basename -s .pdf "$1"`-ocr.pdf"

Vous devriez alors pouvoir y glisser et déposer des PDF et vous obtiendrez un PDF portant le même nom avec "-ocr" ajouté au nom du fichier.

J'imagine qu'il pourrait être facilement modifié pour renvoyer un fichier à Automator afin qu'il le copie quelque part. Plus de détails sur le paquet docker OCRmyPDF. y principal outil (également mentionné dans une autre réponse).

Vous pouvez le tester dans Automator lui-même avec l'action "Get specified Finder items" comme entrée.

La première fois qu'elle s'exécute, elle prend plus de temps car elle doit télécharger les images Docker pour OCRmyPDF (de manière invisible). Dans le Terminal, vous pouvez alternativement exécuter docker pull jbarlow83/ocrmypdf pour accélérer le premier passage. Une exécution typique prend environ 10 secondes par page à haute résolution (DPI), mais donne des résultats automatiquement lisibles, même s'il y a des tableaux ou des diagrammes. Avant l'OCRing, je recadre en utilisant Sejda afin que les mots de marge absurdes des autres pages soient supprimés.

El --force-ocr indique à l'outil d'ignorer et d'écraser toute tentative antérieure d'OCR, qui, dans mon cas, n'est généralement que partielle et inutile.

Edit 2022 : Cette alternative script permet de glisser plusieurs fichiers sur l'app pour les mettre en file d'attente et les océriser :

for f in "$@"
do
cd "`dirname "$f"`"
/usr/local/bin/docker run --rm -v "$(pwd):/app" jbarlow83/ocrmypdf --force-ocr "`basename "$f"`" "`basename -s .pdf "$f"`-ocr.pdf"
done

PDFScannerApp dispose d'un support non officiel pour les scripts. Contactez l'auteur pour l'action Automator.