制作可检索的PDF文档

好友发了个链接
怎样快速扫描一本书并做成电子版?
让我帮忙看看怎么把一本纸质书制作成可检索的PDF文档，他想用移动工具学习那本书，于是实践后整理出下面步骤。
操作系统：win10+ubuntu16.04

一 拍照

把书本和手机固定一个位置，一页页拍照下来。
这里需要注意照片像素要保持一致，图片命名按照书籍页面顺序排列，方便后期处理。

二 照片预处理

1 安装ScanTailor工具

ScanTailor下载链接
可以在Linux,Windows,macOS等等系统安装使用，这里我们选择了win10。
下载并安装 64-bit installer 0.9.11.1 ，然后打开ScanTailor。

2 使用ScanTailor对照片预处理

打开ScanTailor——New Project，然后导入你想处理的照片


按照下图的1-4点击，这里选择的是600x600。
如果照片像素不一致，会显示在“Need Fixing”里面，如图3840x5120的两张图片和其他不一致，需要更换才能进入下一步。

可以对图片进行以下6种方式的处理：

1 调整方向
2 调整页面
3 调整倾斜度
4 选择主要内容
5 边距设置
6 自动调整页面斜度和输出文件

这6种方式的操作大同小异，接下来介绍下常用的设置操作：
如图每种处理方式都可以选择应用到全部页面或者单页，
一般都选择自动优化，应用于All pages，
自动处理如果有些不满意的可以微调。

然后滚动回到第一页处理的照片，点击下图的开始按钮，即可自动处理，6种方式有6个启动按钮，需要一个个按顺序点击操作：

依次 调整方向 调整页面 调整倾斜度 选择主要内容 边距设置 后就到了最后一步：自动调整页面斜度和输出文件，这里隐藏一个强大的功能，可以把照片上倾斜的文字自动调正！下面是一张文字弯曲的照片：

按照下图步骤设置后点击启动按钮：

刚刚那页就变成这个效果，挺赞！

图片全部处理完毕就准备输出了，选择你喜欢的页面样式，有黑白，原图和混合模式，一般选择原图，按照下图设置后启动操作，就可以在project目录下的相应out目录，看到处理完成的格式为.tif的图片！

三 使用Tesseract-OCR识别图片中的文字并生成PDF

1 配置Tesseract-OCR环境

Tesseract-OCR这个工具可以在Linux,Windows,macOS等等系统上安装使用，详见官网：
tesseract-ocr官网
这里我们选择在Ubuntu16.04上配置安装，之后使用一条命令就能输出可检索的PDF文档了！

安装依赖包(Ubuntu 16.04/14.04):

sudo apt-get install g++ # or clang++ (presumably)
sudo apt-get install autoconf automake libtool
sudo apt-get install pkg-config
sudo apt-get install libpng-dev
sudo apt-get install libjpeg8-dev
sudo apt-get install libtiff5-dev
sudo apt-get install zlib1g-dev
sudo apt-get install libicu-dev
sudo apt-get install libpango1.0-dev
sudo apt-get install libcairo2-dev

安装开源图像处理分析库Leptonica

sudo apt-get install libleptonica-dev

安装tesseract

wget https://github.com/tesseract-ocr/tesseract/archive/3.04.00.tar.gz
tar -zxvf 3.04.00.tar.gz
cd tesseract-3.04.00
sudo ./autogen.sh
./configure
make
make install
ldconfig

语言包下载预置

tesseract语言包下载链接
这里我们需要英文eng.traineddata和中文chi_sim.traineddata，然后拷贝到tessdata里面：
cp chi_sim.traineddata /usr/local/share/tessdata
cp eng.traineddata /usr/local/share/tessdata

环境配置完毕！

2 输出可检索PDF

先学习两个简单命令

(1) 处理一张中文图片：
a.jpg是要处理的图片，生成文件名为result0的PDF文档，如果pdf不写，默认输出.txt格式文档，注意命令的 result pdf之间是有空格的：
tesseract -l chi_sim a.jpg result0 pdf

(2) 处理一张中文+英文图片：
这里输出result1.txt
tesseract sss.png result1 -l chi_sim+eng

把ScanTailor处理后的图片制作成可检索PDF：

把刚Window上ScanTailor输出的多张.tif格式图片放入Ubuntu上文件夹booktest，然后
cd booktest
ls . > photo_list.txt
vi photo_list.txt 把里面的“photo_list.txt“删除
tesseract ./photo_list.txt book pdf
tesseract ./photo_list.txt -l chi_sim booktest pdf

大功告成，输出可检索PDF！！识别有一定的误差，但是基本可以满足需要。遇到问题，欢迎留言讨论！