PDF SEARCHABLE Y OCR SOBRE PDF DE IMAGEN

[acaballero]

Curso Básico Mágia Infantil - desde imagen.pdf

(32.88 KiB) Downloaded 270 times

Buenas tardes, llevo haciendo un tiempo pruebas sobre búsquedas de texto sobre los ficheros pdf y me he encontrado con lo siguiente:

Tengo un pdf searchable (con el texto pasado por un ocr antes de llegar a openkm). Lo subo y sobre él no puedo realizar ninguna búsqueda, ya que nunca encuentra el documento, cuando por abode acrobat puedo encontrar el texto.

Curso Básico Mágia Infantil - desde imagen.pdf

(32.88 KiB) Downloaded 270 times

Sin embargo, si lo convierto a Tiff, y lo subo openkm si lo encuentra (pasa el tesseract y funciona bien)

Si la imagen tiff lo vuelvo a pasar a pdf resulta un pdf desde imagen sin texto (no es searchable) y al subirlo también me funciona.

Curso Básico Mágia Infantil.pdf

(200.92 KiB) Downloaded 320 times

¿Porqué no encuentra el texto en el pdf searchable original?


Adjunto los 2 pdf de ejemplo

Gracias.

[jllort]

1- Nos gustaría si es posible que lo pruebes en nuestra demo online demo.openkm.com
2- Que versión de openkm estas utilizando ?

Asegúrate que ha pasado por la cola de indexación -> Administración -> Stats -> indexing queue

El tema que nos indicas es curioso, porque si el texto tiene un layer de texto ( por el que ya ha pasado el ocr ) entonces, en principio, ya no pasamos el pdf por el ocr ( por esto me interesa conocer la versión de openkm que estas ejecutando, que no sea algún bug antiguo ).

[acaballero]

Hola, disculpa que no haya contestado antes. Ya me he dado cuenta que depende del pdf original. Existen algunos que sin encontrar una explicación lógica tienes capa de textos que no encuentra. La solución que he tomado para estas pruebas es de convertir el original a multi-tiff y luego pasarlo a pdf. Así nunca hay problemas. Como además dispongo de un ocr, lo paso por él y luego encuentro los ficheros. Seguiré haciendo pruebas por si alguno más me falla.

Gracias