Convertir PDF digitalizado en PDF texto desde consola con tesseract

El objetivo es convertir un archivo PDF digitalizado directamente de un documento en un PDF de texto.

¿Qué necesitamos?

ImageMagic y Tesserant

sudo apt install imagemagick tesseract-ocr

Desactivamos las restricciones de ImageMagic

sudo mv /etc/ImageMagick-6/policy.xml /etc/ImageMagick-6/policy.xml_backup

Comandos para la conversión

Convertimos a tiff, pasamos el ocr y borramos el tiff:

convert -density 300 mi_doc.pdf -depth 8 mi_doc.tiff
tesseract mi_doc.tiff mi_doc.txt.pdf spa
rm mi_doc.tiff

En la línea del commando tesseract el tercer parámetro es el idioma, en nuestro caso español, si no se pone nada usa inglés y podemos saber que idiomas hay disponibles con el comando:

tesseract --list-langs

Posibles problemas

Si la imagen no está lo suficiente limpia o no es adecuada nos podemos encontrar errores como:

• Image too small to scale!! (2x36 vs min width of 3)
• LSTM: Training - Image not trainable
• Tesseract not detecting text 

Las razones pueden ser diversas: las imágenes están rotadas, no tienen nitidez, poca resolución, etc... a lo mejor con algún programa gráfico como Gimp puedes limpiar el tiff y conseguir mejores resultados.

Es cuestión de prueba y error y si es necesario ampliar la información con tu buscador favorito en internet.