Без Acrobat, без онлайн-сервисов. Скачали, положили рядом с файлами, запустили — готово.
PDF и DJVU — основные форматы электронных копий книг и журналов в интернете. Исторические издания, старые журналы, дореволюционные книги — всё это можно найти в Google Books и других архивах. Но скачанный файл часто оказывается просто набором картинок: текст не выделить, не скопировать, и главное — не найти через поиск.
Я собираю такие материалы и индексирую их в Archivarius 3000 — это десктопный поисковик по личной библиотеке, который находит нужное мгновенно. Но работает он только с файлами где есть текстовый слой. Вот и вся причина.
Обрабатывать каждый файл вручную в отдельной программе — та ещё рутина. Мой bat-файл делает всё сам: конвертирует DJVU в PDF и прогоняет через OCR. Кладёте рядом с файлами, запускаете, отвечаете на три вопроса — и идёте пить чай.
Нужные программы
- DjVuLibre — конвертация DJVU → PDF
- Ghostscript — сжатие и оптимизация PDF
- Python 3 — нужен для ocrmypdf
- ocrmypdf — распознавание текста
- Tesseract — движок OCR
Установка языков для Tesseract
Tesseract распознаёт текст только для тех языков, словари которых установлены. Для русского и дореформенного русского словари нужно скачать и установить вручную. Для других языков — английского, немецкого, французского и многих других — проще выбрать их прямо в установщике Tesseract: на шаге выбора компонентов раскройте список языков и поставьте галочку напротив нужного.
Шаг 1. Скачайте нужные файлы
- Другие языки можно установить прямо из установщика Tesseract — на шаге выбора компонентов раскройте раздел «Additional language data» и отметьте нужные.
Шаг 2. Найдите папку tessdata
- Обычно она находится здесь: C:\Program Files\Tesseract-OCR\tessdata\
Шаг 3. Скопируйте файлы в tessdata
Перетащите скачанные .traineddata файлы в эту папку. Может потребоваться подтверждение прав администратора — нажмите «Продолжить».
Коды других языков для скрипта (пункт «6 — Другой»)
- Белорусский — bel
- Английский — eng
- Немецкий — deu
- Французский — fra
Полный список кодов всех языков: github.com/tesseract-ocr/tessdata
После установки словарей в скрипте выберите нужный язык из списка или пункт «6 — Другой» и введите код вручную.
Как пользоваться
- Скачайте bat-файл — ссылка в конце статьи. Никакой установки — это обычный текстовый файл с командами.
- Положите рядом с файлами — скопируйте bat-файл в папку с вашими DJVU или PDF. Скрипт обработает всё что найдёт рядом с собой.
- Запустите двойным кликом — откроется окно с вопросами: язык OCR, качество файла, что делать с оригиналами. Отвечаете цифрой и Enter.
- Дождитесь завершения — рядом с каждым исходным файлом появится новый PDF с суффиксом _ocr.pdf — он уже с текстовым слоем.
Что спросит скрипт
Три вопроса перед стартом:
- Язык OCR — русский, английский, оба сразу, дореформенный русский и другие. Для других языков выберите пункт «6» и введите код вручную.
- Качество выходного файла — баланс размера и качества, минимальный размер или максимальное качество.
- Что делать с оригиналами — оставить, удалить или переместить в папку original.
Если статья помогла — буду рад комментарию или вопросу. Если что-то пошло не так при установке или запуске — пишите, разберёмся.
Версия 1 - Bat файл
Сначала конвертирует все DJVU в PDF (пропуская уже существующие), а затем отдельно прогоняет все PDF через OCR.
Версия 2 - Bat файл
Главное отличие от версии 1:
Обработка каждого DJVU полностью (конвертация → OCR → сжатие → удаление промежуточного PDF) до перехода к следующему файлу. Для экономии места на диске. 1.04.2026.