UB-Mannheim/zotero-ocr

解决的问题

使用户能够在 Zotero 内直接对 PDF 文件执行光学字符识别（OCR），将不可搜索的 PDF 变为可搜索的，并从文档图像中提取文本。

工作原理

该插件将 Tesseract OCR 和 pdftoppm（来自 Poppler 工具）集成到 Zotero 中。当用户选择一个 PDF 并通过右键菜单触发 OCR 过程时，该工具会处理文档，并可生成带有文本层的新 PDF、包含识别文本的笔记，或 HTML（hOCR）文件。

适用人群

使用 Zotero 管理文献库，并需要将扫描件或图像型 PDF 变为可搜索和可访问的科研人员、学生和学者。

主要亮点

• Tesseract 集成：使用行业标准的 Tesseract OCR 引擎进行文本识别。
• 灵活输出：可生成包含识别文本的新 PDF、仅文本的笔记，或 hOCR 文件。
• 可自定义设置：允许用户调整输出 DPI、Tesseract 页面分割模式（PSM）和语言/脚本模型。
• 附件管理：支持将处理后的 PDF 作为普通附件或链接文件添加。