Bagaimana cara membuat PDF dapat dicari dengan Tesseract?

Konversi halaman PDF menjadi gambar (misalnya dengan pdftoppm pada 300 DPI) lalu jalankan `tesseract halaman.tif keluaran pdf`. Untuk PDF multi-halaman sungguhan dalam satu langkah, gunakan OCRmyPDF: `ocrmypdf masukan.pdf keluaran.pdf`.

Mengapa Tesseract memerlukan gambar, bukan PDF?

Tesseract adalah mesin OCR yang mengenali gambar raster (TIFF, PNG, JPEG, dll.). PDF adalah wadah yang bisa berisi teks vektor atau gambar pindaian, sehingga halaman harus dirasterkan terlebih dahulu.

Bagaimana cara menjalankan OCR pada PDF di Python?

Gunakan pdf2image (memerlukan poppler) untuk mengonversi halaman menjadi gambar, jalankan pytesseract pada tiap halaman, dan gabungkan dengan pypdf menggunakan `image_to_pdf_or_hocr(halaman, extension='pdf')`.

DPI berapa yang harus digunakan untuk OCR PDF?

300 DPI adalah keseimbangan standar antara akurasi dan kecepatan. Gunakan 600 DPI untuk huruf kecil atau pengarsipan presisi tinggi; hindari di bawah 200 DPI karena akurasi turun tajam.

Mengapa PDF keluaran kosong atau tidak memiliki teks?

Penyebab umum adalah lapisan teks yang hilang (OCR tidak berjalan), bahasa yang salah, atau gambar pindaian beresolusi sangat rendah. Pastikan alat berhasil dan cari kata yang dikenal di PDF.

Tesseract OCR untuk PDF — Ekstrak teks & PDF yang dapat dicari

Ringkas (satu perintah)

Untuk PDF multi-halaman sungguhan, OCRmyPDF adalah jalur tercepat.

bash

pip install ocrmypdf      # atau: apt install ocrmypdf
ocrmypdf masukan.pdf keluaran.pdf

Tidak punya OCRmyPDF? Rasterkan dan gunakan CLI Tesseract langsung — lihat di bawah.

Mengapa PDF harus dirasterkan

Tesseract mengenali gambar, bukan wadah PDF.

PDF adalah wadah: PDF dapat berisi teks vektor, font tersemat, atau gambar halaman hasil pindaian. Tesseract membaca gambar raster (TIFF, PNG, JPEG, WebP…), sehingga halaman harus dikonversi menjadi gambar terlebih dahulu. Pilih rasterizer sesuai alat yang Anda miliki:

Alat	Instalasi	Catatan
`pdftoppm` (poppler)	`apt install poppler-utils`	Cepat, dapat diskrip, pilihan klasik
`pdftocairo` (poppler)	poppler-utils	Mirip pdftoppm, keluaran Cairo
ImageMagick	`apt install imagemagick`	`convert -density 300 in.pdf out.tif`
PyMuPDF	`pip install pymupdf`	Python murni, tanpa biner eksternal
pdf2image	`pip install pdf2image`	Pembungkus Python untuk poppler

bash

# PDF -> PNG per halaman pada 300 DPI
pdftoppm -png -r 300 masukan.pdf halaman

DPI adalah hal terpenting: 300 DPI adalah keseimbangan standar; 600 DPI untuk huruf kecil atau pengarsipan; hindari di bawah 200 DPI.

Membuat PDF yang dapat dicari dengan CLI Tesseract

Konfigurasi keluaran pdf mengubah gambar menjadi halaman PDF yang dapat dicari.

bash

# Gambar -> PDF yang dapat dicari
tesseract halaman-1.png keluaran pdf

# Hanya lapisan teks (tanpa gambar)
tesseract pindaian.png keluaran textonly_pdf

# Beberapa halaman dalam satu PDF: berikan daftar gambar
tesseract daftar-gambar.txt keluaran pdf

Untuk PDF multi-halaman, tulis setiap jalur gambar pada baris tersendiri di daftar-gambar.txt. Referensi format lengkap: dokumentasi.

Metode B — OCRmyPDF (disarankan untuk PDF sungguhan)

OCRmyPDF menangani rasterisasi, OCR, deskew, rotasi, dan lapisan teks tak terlihat dalam satu perintah.

bash

ocrmypdf masukan.pdf keluaran.pdf                 # dasar
ocrmypdf -l eng+ind masukan.pdf keluaran.pdf     # bahasa
ocrmypdf --deskew --rotate-pages masukan.pdf keluaran.pdf
ocrmypdf --optimize 2 masukan.pdf keluaran.pdf   # perkecil file
ocrmypdf --skip-text masukan.pdf keluaran.pdf    # pertahankan halaman berteks

OCRmyPDF menggunakan Tesseract dan memerlukan Ghostscript serta alat poppler. Flag berguna: --force-ocr, --redo-ocr, --pages 1-10.

Metode C — pdfsandwich

Pembungkus yang lebih ringan yang menambahkan lapisan teks dan melakukan praproses seperti deskew.

bash

pdfsandwich pindaian.pdf          # menghasilkan pindaian_ocr.pdf
pdfsandwich -lang eng+ind pindaian.pdf

Metode D — Alur lengkap dengan Python

Gunakan pdf2image untuk merasterkan, pytesseract untuk membuat PDF yang dapat dicari, lalu gabungkan dengan pypdf.

pdf.py

import io, pytesseract
from pdf2image import convert_from_path
from pypdf import PdfWriter, PdfReader

pages = convert_from_path("masukan.pdf", dpi=300)   # memerlukan poppler
writer = PdfWriter()
for page in pages:
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(page, extension="pdf", lang="ind")
    writer.add_page(PdfReader(io.BytesIO(pdf_bytes)).pages[0])
with open("keluaran.pdf", "wb") as f:
    writer.write(f)

Di Windows, berikan folder poppler bin melalui poppler_path=. Detail selengkapnya di panduan pytesseract.

Metode mana yang harus saya gunakan?

Metode	Ideal untuk	Instalasi	Multi-halaman
OCRmyPDF	PDF sungguhan, otomasi	Ghostscript + poppler	Ya, satu perintah
pdfsandwich	Lapisan teks cepat dengan praproses	poppler + ImageMagick	Ya
CLI Tesseract	Gambar atau daftar gambar	Hanya Tesseract	Dengan daftar gambar
Python (pdf2image)	Alur kerja dan logika khusus	poppler + pytesseract	Loop dan gabungkan

Kesetiaan tata letak dan hamparan teks

Mengapa PDF yang dapat dicari terkadang tampak bergeser dan cara mempertahankan geometri.

Lapisan teks tak terlihat diposisikan dari kotak kata OCR; DPI yang salah dapat menggeser hamparan.
Gunakan keluaran hOCR atau ALTO saat Anda memerlukan koordinat tepat untuk penyorotan atau pengarsipan.
pdftoppm -r 300 dengan ukuran halaman asli menjaga hamparan tetap selaras.
Untuk tata letak kompleks, pilih OCRmyPDF yang mempertahankan gambar asli dan menambahkan lapisan di atasnya.

Kualitas dan performa

DPI: 300 standar, 600 untuk huruf kecil atau pengarsipan.
Rentang halaman: proses hanya yang diperlukan (--pages di OCRmyPDF).
Paralelisme: OCR halaman secara paralel lalu gabungkan.
Ukuran: --optimize / kompresi JPEG atau turunkan DPI setelah OCR.
Praproses: deskew dan kurangi derau sebelum OCR.

Pemecahan masalah

Gejala	Penyebab	Solusi
`Unable to get page count. Is poppler installed?`	pdf2image tidak menemukan poppler	Instal poppler-utils atau setel `poppler_path` di Windows.
Tidak ada teks yang dapat dicari di PDF keluaran	OCR tidak berjalan atau bahasa salah	Verifikasi keberhasilan dan setel `-l`/`--language` ke bahasa dokumen.
Hamparan teks bergeser	DPI atau ukuran halaman salah	Rasterkan pada 300 DPI dengan ukuran asli.
File keluaran sangat besar	Gambar 600 DPI tanpa kompresi	Gunakan `--optimize` / JPEG atau turunkan DPI.
PDF berproteksi kata sandi gagal	Masukan terenkripsi	Dekripsi terlebih dahulu atau berikan flag kata sandi yang didukung.

FAQ PDF

Bagaimana cara membuat PDF dapat dicari?

Gunakan ocrmypdf masukan.pdf keluaran.pdf, atau rasterkan halaman lalu jalankan tesseract halaman.tif keluaran pdf.

Mengapa Tesseract tidak bisa membaca PDF secara langsung?

Tesseract mengenali gambar raster, sehingga halaman PDF harus dikonversi menjadi gambar terlebih dahulu.

DPI berapa yang harus digunakan?

300 DPI untuk sebagian besar dokumen; 600 DPI untuk huruf kecil atau pengarsipan.

Bisakah saya menjalankan OCR pada PDF di Python?

Ya — gunakan pdf2image dengan poppler dan pytesseract.image_to_pdf_or_hocr, lalu gabungkan halaman dengan pypdf.

Bagaimana cara menjaga tata letak tetap presisi?

Pertahankan ukuran halaman asli dan DPI, dan pilih OCRmyPDF yang mempertahankan gambar lalu menambahkan lapisan teks di atasnya.

Ringkas (satu perintah)

Mengapa PDF harus dirasterkan

Membuat PDF yang dapat dicari dengan CLI Tesseract

Metode B — OCRmyPDF (disarankan untuk PDF sungguhan)

Metode C — pdfsandwich

Metode D — Alur lengkap dengan Python

Metode mana yang harus saya gunakan?

Kesetiaan tata letak dan hamparan teks

Kualitas dan performa

Pemecahan masalah

FAQ PDF

Langkah berikutnya