<--  | Plan  | Index  | Suchen

von Iznogood <iznogood/at/iznogood-factory.org> Über den Autor: Schon seit einiger Zeit mit GNU/Linux befasst, benutze ich nun ein Debian-System. Trotz elektronischer Studien habe ich überwiegend Übersetzungsarbeiten für die GNU/Linux-Gemeinschaft gemacht. Inhalt: Einführung Hardware Software Bash-Skript Schlussfolgerung Talkback für diesen Artikel

PDF Werkzeuge für die Umwandlung von Papier nach HTML Zusammenfassung: Hier geht es um eine Werkzeugkette zur Umwandlung eines herkömmlichen Papiermagazins in HTML. Ich werde den Prozess vom Scannen bis zur HTMLifizierung erläutern. _________________ _________________ _________________

Einführung

Ich habe gelesen, das einige US-Universitäten es Google erlauben und dabei helfen, ihre Bibliothek in numerischer Form zu digitalisieren. Ich bin nicht Google und ich verfüge nicht über eine Universitätsbibliothek, aber ich besitze einige alte Papermagazine über Elektronik. Die Papierqualität war nicht die beste: Seiten lösen sich, das Papier graut ...
Daher habe ich mich entschlossen, es zu digitalisieren, denn obwohl die Ausgaben vor 10 Jahren stoppten, sind einige Artikel immer noch aktuell!

Hardware

Am Anfang musste ich die Daten in den Computer bringen. Ein Scanner ermöglicht mir dies: nach einigen Kompatabilitätsprüfungen kaufte ich einen alten gebrauchten, aber billigen ScanJet 4300C, und nach einiger Internetnavigation fand ich die erforderlichen Einstellungen zur Konfiguration.
Unter Debian installierte ich sane, xsane, gocr und gtk-ocr ganz normal mit:

apt-get install sane xsane gocr gtk-ocr

sane-find-scanner

hp
niash

/dev/usb/scanner0
option connect-device

chgrp scanner scanner0

adduser iznogood scanner

append="hdb=ide-scsi ignore hdb"

 lilo

/dev/sdc0    /dvdrom     iso9660    user, noauto     0  0

chgrp cdrom scd0

Software

Zur Fortsetzung des Prozesses benötige ich einige Software:
sane, xsane, gimp, gocr, gtk-ocr, einen Text-Editor, einen HTML-Editor und etwas Plattenplatz.

Sane ist das Scan-Programm und xsane ist die grafische Oberfläche.
Meine Vorstellung war, die maximale Auflösung beizubehalten und damit eine 50 MB-Datei für eine Seite zu erhalten, sie zur weiteren Verarbeitung auf Platte zu speichern und nach der Fertigstellung auf eine DVD-ROM zu brennen.
Ich setzte die Auflösung auf 600 dpi, etwas mehr Helligkeit und startete die Umwandlung. Da dies auf einem sehr altem Rechner (PII 350 MHz) lief, dauerte es etwas, aber ich erhielt ein gutes und präzises Bild. Ich speicherte es im png-Format.
Warum solch eine Auflösung und eine 50 MB-Datei? Ich wollte eine maximale Auflösung für das Archiv und für weitere digitale Verarbeitung.
Mittels Gimp schnitt ich die Seite in grafische Bilder und Bilder, die nur den eingescannten Text enthielten.
Die Grafiken wurden mit einer reduzierten Größe in png gespeichert, damit sie auf eine HTML-Seite passen und die Textabbilder wurden nicht reduziert, aber von Farbe auf Grauwerte geändert (Werkzeuge, Farbwerkzeuge, Schwellwert und OK) und für die weitere Verarbeitung mit der OCR-Software unter der .pcx-Erweiterung gespeichert.

 cat *.txt > test.txt

Bash-Skript

Ich erinnere mich an einen Mathe-Lehrer, der mir, als ich jung wahr, folgende Maxime erzählte:

"Um faul zu sein, muss man intelligent sein".

Ok, ich wurde faul!!!! ;-)
Es gibt einige manuelle Aufgaben, die nicht leicht zu automatisieren sind (Verzeichnis-Erstellung, Scannen, Gimp-Ausschnitte und Dateierstellung). Der Rest kann automatisiert werden.
Es gibt ein fabelhaftes englisches Tutorial über Bash-Skripting, ABS (Advanced Bash Scripting Guide), und ich fand eine französische Übersetzung.
Sie finden die englische Version unter www.tldp.org.
Dieses Handbuch ermöglichte mir das Schreiben eines kleinen Programmes. Hier ist das Skript:

#!/bin/bash

REPERTOIRE=$(pwd)
cd $REPERTOIRE
mkdir ../ima
mv *.png ../ima/
for i in `ls *`
do
 gocr -f UTF8 -i $i -o $i.txt
done
cd ..
mv ima/ $REPERTOIRE
cd $REPERTOIRE
cat *.txt | sed -e 's/_//g'  -e 's/(PICTURE)//g' -e 's/ì/i/g' \
-e 's/í/i/g' -e 's/F/r/g' -e 's/î/i/g' > test.txt

ocr-rp

Schlussfolgerung

• Scanner ist ein HP ScanJet 4300C
  sane, www.sane-project.org
  xsane, www.xsane.org
  
• gimp, www.gimp.org
  
• gocr, gtk-ocr jocr.sourceforge.net
  
• ABS findet sich unter www.tldp.org
  
• DVD-Brenner: NEC 3520
  
• k3b www.k3b.org
  

Talkback für diesen Artikel

2005-07-21, generated by lfparser version 2.52

mirror server hosted at Truenetwork, Russian Federation.