J'ai numérisé environ 80 pages en format PDF en niveaux de gris (format image). La taille finale du fichier est d'environ 70 Mo, ce qui est très gros.
Maintenant, je cherche une méthode pour convertir le fichier PDF basé sur des images en niveaux de gris en un fichier PDF simple en noir et blanc basé sur du texte.
J'ai essayé plusieurs fois avec gs mais sans succès (seulement quelques pour cent de récupération). Si un expert a une idée, veuillez me le faire savoir.
Vous pouvez essayer pdfocr:
sudo add-apt-repository ppa:gezakovacs/pdfocr
sudo apt-get update
sudo apt-get install pdfocrPour exécuter la syntaxe, utilisez
pdfocr -i input.pdf -o output.pdfoù input.pdf est le nom du fichier d'entrée et output.pdf le fichier de sortie.
Par défaut, pdfocr utilise Tesseract. Pour l'installer:
sudo apt-get install tesseract-ocrpdfocr crée une couche de texte intégrée.
pdfsandwichIl charge tesseract et d'autres lors de l'installation. C'est une solution facile en une seule étape et peut être scriptée. Il peut utiliser hocr2pdf pour créer un PDF en texte brut, mais ce n'est pas encore prêt pour le grand public. Par défaut, il utilise tesseract et crée un PDF "sandwiché" : image + texte en dessous.
L'image intégrée peut être retirée avec des commandes comme :
gs -o ocr_noIMG.pdf -sDEVICE=pdfwrite -dFILTERIMAGE ocr_image.pdfMais le texte est caché, donc cela ressemble à une page blanche.
Charger le PDF dans LibreOffice Draw expose le texte et l'image peut être supprimée manuellement.
SystemesEZ est une communauté de sysadmins où vous pouvez résoudre vos problèmes et vos doutes. Vous pouvez consulter les questions des autres sysadmins, poser vos propres questions ou résoudre celles des autres.
