UB-Mannheim/zotero-ocr

何を解決するか

Zotero OCRは、Zoteroライブラリ内の検索不能なPDFを、テキストレイヤーを追加することで検索可能にする機能を提供します。スキャンされた文書が特定のキーワードを検索できず、インデックス化できないという問題を解決します。

動作方法

このプラグインはTesseract OCRとpdftoppm（Popplerツールから）を統合してPDFファイルを処理します。PDFの各ページを画像に変換し、Tesseractでテキストを認識した後、認識されたテキストレイヤーを含む新しいPDF、テキストのみのノート、または検証用のHTML（hOCR）ファイルを生成します。

対象ユーザー

大量のスキャンされたPDFを管理し、検索可能な文書に変換する必要がある研究者、学術関係者、およびZoteroを利用しているすべての人。

特徴

• Zoteroとの統合: 選択されたPDFに対してZoteroのコンテキストメニューから直接操作可能。
• 出力オプションの多様性: 新しい検索可能なPDF、テキストのみのノート、または検証用のHTMLファイルを生成可能。
• カスタマイズ可能な設定: DPI、Tesseractのページセグメンテーションモード（PSM）、OCRの言語/文字セットをユーザーが調整可能。
• 柔軟な添付ファイル処理: 新しいPDFを通常の添付ファイルとして追加するか、リンクファイルとして追加するか、または元のPDFを上書きするかを選択可能。