PDF2Searchable

PDF2Searchable (English)

Application for text recognition on technical drawings and creating searchable PDF files.

Description

PDF2Searchable uses OCR (Optical Character Recognition) technology based on PaddleOCR to recognize text on technical drawings and documents. The program creates a new version of the PDF file with recognized text that can be searched, copied, and highlighted.

Key Features

Text recognition on drawings and technical documents
Creating searchable PDFs while preserving original formatting
Graphical user interface for easy operation
Batch processing of multiple files
Configurable recognition parameters (font size, text offset)
Support for various page orientations

Requirements

Python 3.13.5+ or higher
Windows (tested on Windows 10/11)
Minimum 4 GB RAM
AMD processor (runs very slowly on Intel processors)
GPU not utilized

Installation

Automatic Installation

Install python (exist in Install folder)

Run Start.bat - the program will automatically check and install required dependencies (you can choose (1) local installation from install\LocalPackages)
On first launch, all required packages will be installed

Manual Installation

Install Python 3.13.5+ from python.org
Install dependencies:
```
pip install -r requirements.txt
```
Ensure PaddleOCR models are in the models/ folder

Usage

Launching the Program

Run Start.bat or execute: or
python gui_windowsv2.py or
StartHidden.vbs (shows only the GUI window and hides the terminal window)

Processing a File

Select an input PDF file via the "Select File" button
Specify the output path (or leave automatic)
Configure parameters if needed:
- Recognized text font size
- Vertical text offset (this parameter only shifts text blocks located above the middle of the page)
Click "Process" to start recognition

Batch Processing

The program supports processing multiple files simultaneously. Select multiple files through the interface for batch processing.

For PDF file preparation, use two utilities:
- PDF_Splitter: (split/merge large PDF files)
- PDF Compressor: (Compress ready searchable PDFs)

Project Structure

PDF2Searchable/
├── gui_windowsv2.py          # Graphical interface
├── run_process_0100.py        # Main PDF processing module
├── ocr_utils_fixed.py         # OCR processing utilities
├── models/                    # Local PaddleOCR models
│   ├── det/                   # Text detection models
│   ├── rec/                   # Text recognition models
│   ├── doc_orient/            # Orientation detection models
│   └── ...
├── Install/                   # Installation files
├── requirements.txt           # Python dependencies
├── Start.bat                  # Launch script
└── README.md                  # Documentation

Processing Parameters

The program uses the following default settings:

OCR Engine: PaddleOCR v3.2
Language: English
Image Preprocessing: Automatic optimization for technical drawings

Troubleshooting

Program Won't Start

Ensure Python 3.8+ is installed and added to PATH
Check installation of all dependencies: pip install -r requirements.txt
Run Install/install_deps.py for automatic installation

Processing Errors

Check that models are present in the models/ folder
Ensure sufficient free disk space

Slow Processing

Intel processors run very slowly with PaddleOCR.

Licensing

Project License

This project is distributed under the MIT License. See LICENSE for details.

Dependency Licenses

The project uses the following third-party libraries:

PaddleOCR (Apache 2.0)
PyMuPDF (AGPL-3.0) - ⚠️ Please note AGPL-3.0 requirements
OpenCV-Python (Apache 2.0)
NumPy (BSD 3-Clause)
pikepdf (MPL-2.0)
PaddlePaddle (Apache 2.0)

For a complete list of dependencies and their licenses, see THIRD_PARTY_LICENSES.md.

Important: PyMuPDF uses the AGPL-3.0 license, which is a copyleft license. When using, modifying, or distributing this project, ensure you comply with AGPL-3.0 requirements.

Author

Aleksei Sokolov wisesokol@icloud.com

Version

v3.0

PDF2Searchable (Русский)

Программа для распознавания текста на чертежах и создания searchable (поисковых) версий PDF файлов.

Описание

PDF2Searchable использует технологию OCR (Optical Character Recognition) на базе PaddleOCR для распознавания текста на технических чертежах и документах. Программа создает новую версию PDF файла с распознанным текстом, который можно искать, копировать и выделять.

Основные возможности

Распознавание текста на чертежах и технических документах
Создание searchable PDF с сохранением оригинального форматирования
Графический интерфейс для удобной работы
Пакетная обработка нескольких файлов
Настройка параметров распознавания (размер шрифта, смещение текста)
Поддержка различных ориентаций страниц

Требования

Python 3.13.5 или выше
Windows (тестировалось на Windows 10/11)
Минимум 4 ГБ оперативной памяти
Процессор AMD (на процессорах Intel работает очень медленно)
GPU не задействован

Установка

Автоматическая установка

Установите Python (Доступен в папке Install)

Запустите Start.bat - программа автоматически проверит и установит необходимые зависимости (Вы можете выбрать опцию 1, она установит уже скачанные пакеты из папки Install\LocalPackages)
При первом запуске будут установлены все требуемые пакеты

Ручная установка

Установите Python 3.13.5+ с официального сайта python.org
Установите зависимости:
```
pip install -r requirements.txt
```
Убедитесь, что модели PaddleOCR находятся в папке models/

Использование

Запуск программы

Запустите Start.bat или выполните: или
python gui_windowsv2.py или
StartHidden.vbs (показывает только окно GUI и скрывает окно терминала)

Обработка файла

Выберите входной PDF файл через кнопку "Выбрать файл"
Укажите путь для сохранения результата (или оставьте автоматический)
Настройте параметры при необходимости:
- Размер шрифта распознанного текста
- Смещение текста по вертикали (данный параметр смещает только тексттовые блоки, находящиеся выше середины листа)
Нажмите "Обработать" для начала распознавания

Пакетная обработка

Программа поддерживает обработку нескольких файлов одновременно. Выберите несколько файлов через интерфейс для пакетной обработки.

Для подготовки файлов PDF используйте две утилиты:
- PDF_Splitter: (разбивка/слияние больших файлов PDF)
- PDF Compressor: (Сжатие готовых serachable PDF)

Структура проекта

PDF2Searchable/
├── gui_windowsv2.py          # Графический интерфейс
├── run_process_0100.py        # Основной модуль обработки PDF
├── ocr_utils_fixed.py         # Утилиты OCR обработки
├── models/                    # Локальные модели PaddleOCR
│   ├── det/                   # Модели детекции текста
│   ├── rec/                   # Модели распознавания текста
│   ├── doc_orient/            # Модели определения ориентации
│   └── ...
├── Install/                   # Файлы установки
├── requirements.txt           # Зависимости Python
├── Start.bat                  # Скрипт запуска
└── README.md                  # Документация

Параметры обработки

Программа использует следующие настройки по умолчанию:

OCR движок: PaddleOCR v3.2
Язык: Английский
Предобработка изображений: Автоматическая оптимизация для технических чертежей

Устранение неполадок

Программа не запускается

Убедитесь, что Python 3.8+ установлен и добавлен в PATH
Проверьте установку всех зависимостей: pip install -r requirements.txt
Запустите Install/install_deps.py для автоматической установки

Ошибки при обработке

Проверьте наличие моделей в папке models/
Убедитесь, что достаточно свободного места на диске

Медленная обработка

Процессоры Intel работают очень медленно с PaddleOCR.

Лицензирование

Лицензия проекта

Этот проект распространяется под лицензией MIT. Подробности см. в файле LICENSE.

Лицензии зависимостей

Проект использует следующие сторонние библиотеки:

PaddleOCR (Apache 2.0)
PyMuPDF (AGPL-3.0) - ⚠️ Обратите внимание на требования AGPL-3.0
OpenCV-Python (Apache 2.0)
NumPy (BSD 3-Clause)
pikepdf (MPL-2.0)
PaddlePaddle (Apache 2.0)

Полный список зависимостей и их лицензий см. в файле THIRD_PARTY_LICENSES.md.

Важно: PyMuPDF использует лицензию AGPL-3.0, которая является копилефт-лицензией. При использовании, модификации или распространении этого проекта убедитесь, что вы соблюдаете требования AGPL-3.0.

Автор