Optionen¶

djvu2pdf-Optionen
Option	Funktion
-h	Hilfe
-v	Versionsnummer
-s	Zeigt Statusmeldungen zur Verarbeitung (ein wenig langsamer, da jede einzelne Seite ausgelesen getrennt und das Dokument dann wieder zusammengesetzt wird)
-c	Im Terminal keine Steuersequenzen verwenden, um den Cursor zu bewegen (nur sinnvoll in Kombination mit -s)

Quellcode bearbeiten¶

Für die Modifikation wird die Datei djvu2pdf in einem Editor^[6] geöffnet. Die Zeile 174

            ddjvu -format=pdf -page $COUNT "$FILENAME" "$TEMP/$FILEBASE.${ZEROS}$COUNT.pdf" 2> /dev/null

wird durch Folgendes ersetzt:

## extract text and form a hOCR document
            djvu2hocr --title="" -p=$COUNT "$FILENAME" > "$TEMP/$FILEBASE.${ZEROS}$COUNT.hocr" 2> /dev/null

            ddjvu -format=tiff -page $COUNT "$FILENAME" "$TEMP/$FILEBASE.${ZEROS}$COUNT.tiff" 2> /dev/null
## combine tiff and hocr files
            hocr2pdf -i "$TEMP/$FILEBASE.${ZEROS}$COUNT.tiff" -o "$TEMP/$FILEBASE.${ZEROS}$COUNT.pdf" < "$TEMP/$FILEBASE.${ZEROS}$COUNT.hocr"  2> /dev/null     

Das Skript dann wieder unter djvu2pdf abspeichern, für die systemweite Verwendung in /usr/local/bin (Rootrechte^[4] erforderlich). Jetzt wird mit Verwendung der -s-Option automatisch die vorhandene Textebene aus dem DjVu in das PDF-Dokument mit übernommen.

Gegenüber der Version ohne Texterkennungsrettung sind die entstehenden Dateien allgemein wesentlich kleiner, was vermutlich aus "effektiveren" PDF-Erstellung von ExactImage gegenüber ddjvu resultiert. Andere Bild-Format sind für die Verarbeitung möglich (z.B. für schwarzweiße Vorlagen pbm als Format im ddjvu-Aufruf), die resultierende Dateigröße kann dadurch noch etwas weiter reduziert werden.

Für schwierige Vorlagen (farbige Schrift, verschachtelter Aufbau) kann der Umweg über xsane2djvu und djvu2pdf eine sinnvolle Variante zu der direkten "Sandwich"-Methode zur PDF-Erstellung darstellen, da die Texterkennung von ocrodjvu bei solchen Vorlagen erfahrungsgemäß besser sind, und die Textlagen "passgenauer" ausfallen.

Probleme¶

Die Erstellung der Textebene scheitert immer dann, wenn im Dokument "Wasserzeichen" im Hintergrund mit Schrift vorhanden sind, oder sich die "Bounding Boxes" der Wörter überlappen. Wenn die automatische Löschung der Temporärdateien deaktiviert wird (im Skript die Zeilen rm -rf "$TEMP"/* >/dev/null 2>&1 und rm -rf "$TEMP" >/dev/null 2>&1 auskommentieren und/oder stattdessen etwas wie echo "removing disabled" einfügen), kann man sich die entstandenen hOCR-Dateien aus dem Verzeichnis /tmp/djvu2pdf.nnnnn in einem Editor genauer anschauen, und die überdimensionierte Box des ersten Text-Eintrages entfernen. Die Kombination via hocr2pdf muss dann allerdings ebenfalls "händisch" erfolgen, natürlich auch das Zusammenführen der PDF-Dateien.

Die Verwendung der djvu2hocr-Optinonen --css führt ebenfalls dazu, dass die dort gemachte Angabe von hocr2pdf fehlinterprertiert und als übergroße Textangabe die restliche Passung verschiebt; ähnliches gilt, wenn die --title-Option Text beinhaltet, oder (wenn nicht gesetzt) der Standardtitel "DjVu hidden text layer" verwendet wird. Daher muss die Option zwar gesetzt werden, aber leer bleiben (in den Änderungen so umgesetzt)!

Eine Korrektur der OCR-Ergebnisse ist nicht vorgesehen. Eine - wenn auch beschwerliche - Möglichkeit besteht aber darin, die .hocr-Dateien in einem Editor^[6] zu bearbeiten; allerdings lassen sich die eigentlichen Textstrings nur mühsam finden.