Você pode simplesmente executar o seguinte comando para criar o pdf e o hocr ao mesmo tempo.
tesseract input.tif out pdf hocr
Estou criando um PDF com o formato de OCR por meio de tesseract :
tesseract input.tif out pdf
Mas também preciso dos arquivos hocr e txt .
Versões recentes de tesseract já resolveram isso , mas porque requer a compilação de leptonica e tesseract , Eu não estou totalmente confortável com isso.
Eu posso usar pdftotext para extrair o arquivo de texto, mas não consigo encontrar uma maneira de extrair hocr do PDF.
Tags pdf