Eu tenho vários milhares de páginas de páginas de livros digitalizados. Cada página é salva individualmente como um JPG. A escrita é clara, mas as fontes variam e as páginas incluem figuras e ilustrações.

Preciso criar uma lista de todas as palavras que aparecem em cada arquivo JPG. Existe uma ferramenta de linha de comando para digitalizar uma imagem listando as palavras que aparecem? Não precisa ter uma digitalização perfeita, apenas uma estimativa.

O tesseract é provavelmente a solução mais usada aqui. Está disponível na maioria dos repositórios de pacotes, por exemplo,

sudo apt install tesseract-ocr

e pode ser usado com

tesseract input.png out.txt

Instalar imagemagick, pdftotext(encontrado em um pacote chamado poppler-utilsdentro de alguns gestores de pacotes) e ocrmypdf . O último é rápido (o ocr exige muita CPU e está configurado para usar todos os seus núcleos), um software de OCR de código aberto e atualizado com freqüência. Essa abordagem é possivelmente um exagero, pois na verdade tenta atribuir uma string a cada palavra, em vez de apenas rotular uma palavra, mas tive muitos problemas para encontrar o software OCR de código-fonte bom e fácil de usar em geral. Em seguida, no diretório em que você salvou todos os seus JPGs:

$ convert *.jpg pictures.pdf
$ ocrmypdf pictures.pdf scanned.pdf
$ pdftotext scanned.pdf scanned.txt
$ wc -w scanned.txt

Upscale image file.png em 480%, altere para escala de cinza, preencha com branco, afie e extraia usando o OCR tesseract. Funciona bem na maioria das vezes para mim, exceto para fontes muito grandes e branco sobre preto. Se as fontes forem muito grandes, apenas upscale 200% ou 300%.

 convert -colorspace gray -fill white  -resize 480%  -sharpen 0x1  file.png file.jpg
 tesseract file.jpg file

O resultado está em file.txt.

Para usuários do Linux, nada funciona tão bem quanto usar o Caliber para converter pdf em docx. https://calibre-ebook.com/download_linux

TL; DR

for i in /path_to/*.jpg;do ./myocr.sh $i $(basename $i .jpg);done

#!/bin/bash
# PROGRAM=myocr.sh
if [ "$1" ] && [ -e "$1" ]; then
  TMPF=$(mktemp myocr.sh.XXXXXXXX.tif)
  DEST="$2"
  if [ ! "$DEST" ]; then
    DEST="${1%.*}.txt"
    if [ -e "$DEST" ]; then
      echo "$DEST already exists; please provide a new textfile name" >&2
      exit 1
    fi
  fi
  /usr/bin/convert "$1" -colorspace Gray -depth 8 -resample 200x200 -flatten -alpha Off $TMPF \
  && /usr/bin/tesseract $TMPF "$DEST"
  EX=$?
  /bin/rm -f $TMPF
  [ $EX -eq 0 ] && [ "$TERM" ] && echo "created $DEST"
  exit $EX
else
  echo "Usage: $0 imagefile [textfile]" >&2
  echo " creates a plain text file with the text found in imagefile" >&2
  exit 1
fi

Fonte: https://help.ubuntu.com/community/OCR