OCR即是光學字元辨識。
我聽說Windows有「ABBYY FineReader」、「Adobe Acrobat」的專有軟體，能夠將PDF檔案OCR之後變成可編輯的文字，於是我就想在LInux找開源替代品。
正好我手頭上有些設計不良的PDF檔案，裡面文字全部都沒辦法複製也無法搜尋，所以需要一個工具將它們OCR後變成可複製的文字格式。
英文PDF文件範例
中文PDF文件範例
1. OCR方案探討#
如果需要PDF編輯功能的，那麼 LibreOffice Draw便足以勝任。
接著要搞定OCR的部份。
通常Linux的OCR都是使用Google釋出的開源Tesseract引擎，支援中文、英文、日文等多國語言。
Github有很多專案，其中功能最多的應該是這款： LIOS (Linux-intelligent-ocr-solution)。感覺設計不良，安裝後開不起來，可能是GTK版本太老了？
NormCap，擷圖後OCR，僅支援英文，可以用Flatpak一鍵安裝。
TextSnatcher，圖片OCR。可以用Flatpak一鍵安裝。
Pot 派了个萌的翻译器，劃詞翻譯器，支援OCR。
OCRmyPDF，命令行PDF轉檔工具，OCR後給PDF加上文字圖層方便後續編輯。英文和中文支援度不錯。
另外還有一款 ocrfeeder，Gnome的OCR閱讀器，ㄟ…不太好用。
從上述方案來看，還是OCRmyPDF最好了吧。
2. 安裝OCRmyPDF#
根據 OCRmyPDF官方文件
因為使用Tesseract引擎，需要先安裝對應語言的套件，Ubuntu套件庫多半有收。例如我要安裝英文與正體中文的套件：
sudo apt search tesseract-ocr
sudo apt install tesseract-ocr-eng tesseract-ocr-chi-tra tesseract-ocr-chi-tra-vert
接著再安裝OCRmyPDF套件
sudo apt install ocrmypdf
3. OCRmyPDF用法#
在要處理PDF檔案的目錄開啟終端機。
指定語言為英文，設定輸出為標準PDF（預設的PDF/A格式輸出後便無法修改），再指定輸入檔案為input.pdf與輸出檔案output.pdf，
ocrmypdf -l eng --output-type pdf input.pdf output.pdf
如果PDF檔案是英中混合，那就加上多個語言參數：
ocrmypdf -l eng+chi_tra --output-type pdf input.pdf output.pdf
關於中文漢字掃描後出現多餘空格問題：這個是Tesseract本身的問題，目前沒有解決方式。
等待辨識轉檔完成，新的PDF就能夠選取文字了。
在LibreOffice Draw開啟的時候，OCR辨識到的文字會成為一個圖層，可以與原始檔案分離。