我正在寻找一体化的解决scheme，通过单一步骤从纯图像PDF文件（扫描文档）创build可search的PDF文件（通过OCR）（例如，从另一个程序调用命令行）
我发现了一些软件包：
我玩的是白色的tesseract，但它只支持单个TIFF图像作为input，然后我必须将OCR结果与图像结合起来，将所有组合的页面绑定到一个新的PDF文档。
我正在编写一个基于Java的程序，检查PDF文件，如果有必要，它应该将它们转换为可search的pdf（带有文本层的pdf，通过OCR识别的图像）
如果有任何想法可以简化所有这些步骤，并将Tesseract用于以下工作stream程，那将是非常好的：
带有扫描图像的PDF =====>input（处理）输出====>带有可search文本的已识别PDF
首先十分感谢
最好的祝福
香农
在Tesseract的3rdParty页面中列出了一些基于Java的hOCR到PDF解决方案。 您必须首先将PDF转换为图像（例如，使用Ghostscript），然后将它们发送到Tesseract以转换为hOCR格式。
.Net Project NAPS2以图像文件为输入，生成可搜索的文本pdf文件，并提供了自动化的命令行功能
如果一个在线的 OCR解决方案是可以接受的，那么就有免费的ocr.space api，它包括一个可以搜索PDF的选项。
这是一个单步解决方案。 您将图像或PDF发送到api，并返回到可搜索的pdf的下载链接。