• https://ocrmypdf.readthedocs.io/en/latest/
• https://github.com/ocrmypdf/OCRmyPDF
• Tesseract OCR를 이용해 PDF OCR / PDF 최적화 등을 수행해준다.
• 알PDF : Windows 용 강력한 OCR 제공
• OCRmyPDF EasyOCR Plugin - EasyOCR 을 엔진으로 사용하게 해준다.

• linuxbrew 로 가장 최신버전 설치 가능

brew install ocrmypdf tesseract tesseract-lang

sudo apt install ocrmypdf  tesseract-ocr-kor tesseract-ocr-kor-vert gscan2pdf

• docker 기반으로 사용하는게 편할지도
• https://hub.docker.com/r/jbarlow83/ocrmypdf-alpine # 더 최신 tesseract. 그러나 버그가 좀 있는듯.
• https://hub.docker.com/r/jbarlow83/ocrmypdf-ubuntu # 그냥 ocrmypdf 도 우분투버전임.

• Tesseract OCR 환경변수 설정 등도 확인

ocrmypdf -l eng+kor --jobs 4 <원본.pdf> <OCR인식결과.pdf>
 
# 이미지 보정 기능 등 추가
 
ocrmypdf -l kor+eng \
    --deskew # 비틀림 보정
    --clean # 배경 깨끗하게 
    --optimize 3  # PDF 용량 최적화. 최적화 안하려면 0
    <원본.pdf>
    <OCR인식결과.pdf>
 
# OCR 재실행. 이미 OCR 된 파일에 재실행. 최적화 등은 수행하지 않음.
ocrmypdf -l eng --redo-ocr ... input.pdf output.pdf
 
# OCR 없이 PDF 이미지 최적화만 실행
ocrmypdf --tesseract-timeout=0 --optimize 3 --skip-text input.pdf output.pdf

• --deskew : 비틀어진 이미지를 똑바로 세워주고 그로인해 인식률 높아짐. 무조건 해주는게 좋다.
• --clean : unpaper 를 이용해 책 스캔된것을 깨끗하게 보정. 그러나 OCR 인식에서만 해당 이미지를 사용하고, 실제 출력에서는 원본 대로.
• Tesseract OCR가 여러 언어를 동시에 인식하면 인식률이 떨어진다는 얘기가 있으나, 그렇다고 ocrmypdf 로 언어를 따로따로 두번 인식시키면 앞서 인식한 언어 데이터는 사라지게 되므로 한 번에 모든 언어를 처리할 것.

• --optimize 숫자
• 0 : 최적화 안함
• 1 : 원본 손상없이 최적화
• 2, 3 : 원본 손상하면서 최적화 최대한
• 아래 docker 이미지를 통한 스크립트로 하면 jbig2 라이브러리 설치 없이 처리 가능

#!/usr/bin/env bash
# 사용법 : pdf-opt.sh 원본.pdf
# 결과는 원본.opt.pdf
# alpine 버전은 버그가 많았음.
FILE_NAME_ONLY=`basename "$1" .pdf`
OPTIMIZED_NAME="${FILE_NAME_ONLY}.opt.pdf"
 
docker run --rm -i --user "$(id -u):$(id -g)" --workdir /data -v "$PWD:/data" \
  jbarlow83/ocrmypdf --tesseract-timeout=0 --optimize 3 --skip-text \
  "/data/$1" "/data/$OPTIMIZED_NAME"

• 현재 디렉토리에 있는 것만 처리해야함.

• PDF 문서 OCR 하는 법 | Free PDF OCR (ocrmypdf)