Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Feature Request: Implement OCR engine for text recognition in image-based PDFs

Abierto
  • ¿Algo no está bien?
#288 1 comentario 0 reacciones 1 asignado Ver en GitHub

Los mantenedores suelen responder en 1 día

@KnifeLemon ya está trabajando en esto.

Desde el 20/10/2026.

Evaluación

Dificultad
5/5
Tiempo estimado
Más de una semana
Aptitud para principiantes
38/100
Tipo de issue
Nueva funcionalidad
Claridad
Bastante claro
Estado de actividad
Activo
Stack tecnológico
csharp
Área
backend, full-stack

Línea de trabajo

Start by locating Filee's PDF-to-DOCX conversion flow and its existing handling of image-only PDF pages; the issue does not name files, tests, or entry points. Then assess how an OCR engine, an enablement setting, and language selection could fit that flow. Done means scanned PDF text can be recognized into editable, searchable DOCX content, with OCR optional and a primary language selectable.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

enhancement

What would you like Filee to do?
I would like Filee to integrate an OCR (Optical Character Recognition) engine. This system should automatically recognize and extract editable text from PDF files where pages are saved as images (e.g., scanned documents), instead of just rendering them as flat images inside the final .docx file.

Why / when would you use it?
Currently, when converting a PDF that consists of scanned pages or image-only text into Word format, Filee converts the pages back into images and inserts them into the document. This leaves the text completely uneditable. Introducing OCR would allow users to get fully editable and searchable Word documents from any type of PDF source, which is crucial for digitizing scanned documents.

Ideas for how it could work (optional — engine or library suggestions welcome)

  • Integrate an open-source OCR engine like Tesseract OCR (or an appropriate library depending on the language/framework Filee is built on).
  • Add a toggle switch or a settings option in the format selection menu (e.g., "Enable OCR / Text Recognition") so users can turn it on when processing scanned files.
  • Allow users to select the primary document language for better recognition accuracy.
Lenguaje dominante
C#
Estrellas
3.6k
Forks
192
Merge medio
4 h 6 min
PR fusionados (30 d)
158

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de KnifeLemon/Filee

Todos los issues de KnifeLemon/Filee

Issues similares

Más issues de C#

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.