OCRmyPDF

• ocrmypdf/OCRmyPDF
  • MPL-2.0, Python
  • adds an OCR text layer to scanned PDF
• 流程
  • 光栅化
  • 预处理
    • deskew
    • clean
  • 准备图像
  • OCR 识别
    • Tesseract OCR
  • 渲染 OCR 层
• PDF/A 格式
  • 无字形字体（Glyphless Font）
  • Form XObject
• Tesseract 4+ OCR engine mode
  • 0 - original Tesseract only
  • 1 - neural nets LSTM only
  • 2 - Tesseract + LSTM
  • 3 - default

docker run --rm -i \
  --user "$(id -u):$(id -g)" \
  --workdir /data \
  -v "$PWD:/data" \
  jbarlow83/ocrmypdf-alpine \
  --keep-temporary-files \
  --image-dpi 300 \
  /data/input.jpg /data/output.pdf

docker run --rm -i \
  --entrypoint tesseract \
  jbarlow83/ocrmypdf-alpine \
  input.jpg output hocr