El otro día leí un artículo referente al reconocimiento óptico de caracteres (OCR) en Ubuntu, y me quedó ahí, grabado en la mente, a la espera de que llegara el fin de semana para probarlo. Así que esta mañana, me he dedicado a investigar un poco en referencia a este tema, y he probado dos alternativas.

La primera de las dos alternativas es la de instalar un paquete creado por Geza Kovacs. Que se puede instalar desde Launchpad, añadiendo al repositorio de las maneras conocidas:

sudo -v

sudo add-apt-repository ppa:gezakovacs/pdfocr

sudo apt-get update

sudo apt-get install pdfocr

para hacerlo funcionar simplemente:

pdfocr -i inputfile.pdf -o outputfile.pdf

Ya está. El archivo tiene una capa de texto incrustada, que puedes utilizar para copiar y pegar.

La segunda alternativa es más gráfica y me gusta más. Consiste en instalar desde el repositorio de Ubuntu gscanpdf

sudo apt-get install tesseract-ocr-spa gscan2pdf

Para hacerlo funcionar, corremos gscan2pdf desde un terminal, y obtendremos la siguiente imagen:

importamos las imágenes que queramos someter al OCR

En herramientas seleccionamos OCR, y en la ventana que nos sale seleccionamos el motor de OCR que queramos utilizar:

En la parte inferior, veremos los caracteres detectados por el OCR. En la prueba que he realizado tengo que decir que el resultado fue bastante deficiente. No se si es por utilizar Lorem Ipsum, pero no me resultó nada alentador.