OCRmyPDF - 리눅스에서 pdf 문서에 대한 광학문자인식(OCR)

OCRmyPDF는 pdf 문서에 대해 광학문자인식(OCR)을 해서 텍스트 정보가 포함된 pdf 파일을 만들어 준다. 이렇게 만들어진 pdf 파일에서는 문자열 검색이 가능하다. OCR은 테서랙트(tesseract)를 채용하고 있으며, 테서랙트에 대한 좀 더 자세한 내용은 이전 게시물을 참고하면 되겠다. 아래의 링크다.

테서랙트(tesseract) - 리눅스에서 광학문자인식(OCR)

OCRmyPDF는 오픈소스S/W이고, 깃허브(github) 페이지는 아래의 링크다.

https://github.com/ocrmypdf/OCRmyPDF

데비안/우분투 계열 배포판의 경우 공식 S/W 저장소에 포함되어 있으므로 간편하게 설치해서 사용할 수 있다.

# S/W 저장소 정보 갱신
sudo apt update

# ocrmypdf 패키지 설치
sudo apt install ocrmypdf

# tesseract 영어 및 한국어 인식용 패키지 설치
sudo apt install tesseract-ocr-eng
sudo apt install tesseract-ocr-kor
sudo apt install tesseract-ocr-kor-vert

테서랙트는 jpg 등 이미지 파일에 대해서 문자인식을 해 주는데, ocrmypdf는 pdf 파일을 직접 읽어서 테서랙트로 문자인식 작업을 해 주기 때문에 편리하다. 예를 들어 한국어와 영어로 된 pdf 문서 my_doc.pdf의 문자를 인식해서 텍스트 정보가 포함된 my_doc_searchable.pdf 파일을 만들 수 있다. 아래와 같이 하면 된다.

ocrmypdf -l eng+kor --rotate-pages --deskew my_doc.pdf my_doc_searchable.pdf

-l 옵션으로 언어를 지정하고, ---rotate-pages 옵션은 페이지 방향이 잘못된 경우 바로 잡아주고, ---deskew 옵션은 삐뚤어져 있을 경우 보정을 해 준다.

만약 pdf에서 인식된 텍스트만 별도의 파일로 추가 저장하고 싶다면 ---sidecar 옵션을 지정한다. 위의 예시에서 my_doc.txt 파일을 별도로 저장하려면 아래와 같이 하면 되겠다.

ocrmypdf -l eng+kor --rotate-pages --deskew --sidecar my_doc.txt my_doc.pdf my_doc_searchable.pdf