{"id":140,"date":"2017-11-24T10:29:19","date_gmt":"2017-11-24T09:29:19","guid":{"rendered":"https:\/\/blogs.urz.uni-halle.de\/strickdings\/?p=140"},"modified":"2017-11-24T20:35:28","modified_gmt":"2017-11-24T19:35:28","slug":"preprocessing-mit-scantailor-2","status":"publish","type":"post","link":"https:\/\/blogs.urz.uni-halle.de\/strickdings\/2017\/11\/preprocessing-mit-scantailor-2\/","title":{"rendered":"Preprocessing mit Scantailor"},"content":{"rendered":"

Im Folgenden Artikel erkl\u00e4re ich die Vorbereitung (Preprocessing<\/a>) eines PDF-Dokuments f\u00fcr die Texterkennung mit OCRopus. Dabei behandle ich die Konvertierung in die ben\u00f6tigten Formate (pdf2tif, tif2png) und die Bearbeitung mit der Software Scantailor. Das Ziel ist von den unbearbeiteten PDFs zu binarisierten und „barrierefreien“ PNGs zu kommen, denn OCRopus ben\u00f6tigt schwarz\/wei\u00df- oder Graustufen-binarisierte Eingangsbilder im PNG-Format. Als Beispieldokument dient der Artikel „Von Metzgern vnd Fleischhauwern“1<\/a><\/sup> aus dem Allgemeinen Schauplatz<\/a> von Tommaso Garzoni. Dies ist eine dreiseitige PDF „artikel.pdf“ in Farbe, 600 DPI, jeweils zwei Spalten; Herauskommen sollen sechs schwarz\/wei\u00df-binarisierte PNGs ohne St\u00f6relemente (keine Bilder, Initiale oder \u00c4hnliches).<\/p>\n

Vorbereitung<\/strong><\/p>\n

Die Arbeitsumgebung ist Ubuntu 17.04, die ben\u00f6tigten Programm sind: pdftk<\/em>, scantailor<\/em> und imagemagick<\/em>. Zu Beginn also die Console \u00f6ffnen und schauen, ob sie installiert sind.<\/p>\n

sudo apt-get install pdftk scantailor imagemagick<\/pre>\n
Jetzt erstellt man einen Arbeitsordner (hier der Ordner „ocr“ im Home-Verzeichnis) und wechsle hinein:<\/p>\n
mkdir ocr\r\ncd ocr<\/pre>\n
Hierhin kopiert man die PDF.<\/p>\n
\"Von
Die drei Seiten des nativen PDFs des Artikels<\/figcaption><\/figure>\n
Konvertierung PDF2TIF<\/strong><\/p>\n
Im ersten Schritt transformiert man die PDF in das verlustfreie TIF-Format, das Scantailor lesen kann (bei Platzmangel kann es auch gleich PNG\/JPG sein). Dazu spaltet die PDF mit dem Befehl burst<\/em> des Programms pdftk<\/em> auf:<\/p>\n
pdftk artikel.pdf burst<\/pre>\n
Man erh\u00e4lt drei Dateien pg_0001.pdf, pg_0002.pdf,\u00a0pg_0003.pdf.<\/p>\n
Die ursprungs-PDF kann man l\u00f6schen:<\/p>\n
rm artikel.pdf<\/pre>\n
die restlichen PDFs kann man in TIFs umwandeln mit einer Schleife und dem convert<\/em>-Befehl:<\/p>\n
for p in *.pdf; do convert -density 600 -trim \"$p\" -quality 100 \"$p\".tif; done\r\n<\/pre>\n
Die Dateien haben jetzt die Endung .pdf.tif, wen das st\u00f6rt kann sie umbenennen mit:<\/p>\n
rename 's\/\\.pdf.tif$\/.tif\/' \/*.pdf.tif \r\n<\/pre>\n
Scantailor<\/strong><\/p>\n
Nun \u00f6ffnet man Scantailor und importiert die TIFs. Dazu navigiert man in den Ordner mit den TIFs (hier ~\/ocr), l\u00e4d die Dateien in Scantailor, korrigiert die DPI-Zahl (hier war die Ausgangsaufl\u00f6sung 600 DPI) und importiert die Bilder.<\/p>\n
\n