Распознавание текстов

Ищи pdftotext

Cuneiform опенсорсный.

imagemagick для нарезки pdf + tesseract для распознавания.

Мне желательно встроить решение в проект. Распознавание как таковое нужно для выборки ключевых слов из документа.

Если из обиходного то Poppler. Посмотри в качестве примера, как там внутри pdfto* сделаны.

imagemagick для нарезки pdf + tesseract для распознавания.

Оно же перегонит текст в картинку и начнет заново распознавать. Разбирать потом 100500 неточностей ocr, которые могут быть ошибкой а могут нет - сомнительное счастье.

распознаванию pdf-файлов

До чего дошёл регресс.

Есть много PDF которые не содержат текстовый слой. Печаль, да.

Мне желательно встроить решение в проект. Распознавание как таковое нужно для выборки ключевых слов из документа.

и что мешает для этого использовать предложенный анонимусом куреформ?

Прежде, чем задавать столь глобально-дурацкие вопросы, стоит для начала хотя бы на начальном уровне разобраться, что такое pdf и как он устроен.

После этого вопросы приобретут вид, на который можно попытаться дать ответ.

Этот конкретный вопрос говорит лишь о том, что автор пытается что-то «пишет» не имея не малейшего понятия о сущности вещей, которыми собирается манипулировать.

Типичный представитель linux.org.ru.

yagf (+ cuneiform или tesseract) умеет из pdf - переводит страницы в картинки и распознаёт

Но, справедливости ради, не все и не всегда. Вот буквально на днях попался документ, который только файнридер осилил сожрать. Yagf что с cuneiform, что с tesseract даже просто загрузить его не мог, до распознавания не дошло.

cli файнридера, серьёзно. Правда в новом наверно выпилили.

Благодарю, Вы очень любезны. Особенно насчёт устройства pdf