Manuelle Installation¶

ocrodjvu wird aktiv weiterentwickelt und die Versionen in den Quellen sind oft veraltert, daher ist es ggf. sinnvoll, sich die aktuelle Version aus dem Quellcode selbst zu erstellen^[2]. Dazu wird der Code von pypi.python.org als .tar.gz heruntergeladen und das Archiv entpackt^[3]. Die Installation erfolgt über das setup.py-Skript (zunächst ausführbar machen!^[4]), ein einfaches Paket lässt sich z.B. mit dem Befehl ^[5][6]

sudo checkinstall python setup.py install 

erstellen und installieren (siehe auch Installationsskripte).

Außerdem muss dazu das Paket

• python-lxml

mit apturl

sudo apt-get install python-lxml 

sudo aptitude install python-lxml 

installiert sein.

djvu2hocr und hocr2djvused¶

Neben dem Hauptprogramm befinden sich noch die Kommandozeilenwerkzeuge djvu2hocr und hocr2djvused in dem Paket. Mit djvu2hocr lassen sich die Textinformationen eines bestehenden DjVu-Dokuments auslesen und in eine hOCR-Datei (wie sie z.B. auch tesseract und cuneiform erstellen können) überführen. Aus einer solchen Datei lässt sich mit hocr2pdf eine Textlage für eine duchsuchbare PDF-Datei erstellen. Diese Funktion kann mit djvu2pdf zur Umwandlung von DjVu-Dateien in PDF-Dateien verwendet werden, bei denen die Textebene erhalten bleibt.

hocr2djvused kann genutzt werden, um aus hOCR-Daten die Textinformationen auszulesen und diese in ein djvused-Skript zu überführen, das dann bearbeitet und für die Erstellung von Textlagen für Djvu-Dateien verwendet werden kann (zur Verwendung derartiger Skripte siehe djvused).

Nähere Informationen zur Verwendung finden sich in den manpages zu den Programmen

Optionen für ocrodjvu¶

Das Programm kann durch vielfältige Optionen gesteuert werden.

Optionen für ocrodjvu
Argument	Funktion
OCR-Anwendungen
--list-engines	listet die installierten OCR-Anwendungen auf
--engine OCR-ANWENDUNG --list-languages	listet die installierten Sprachen für die jeweiligen OCR-Programme auf
--engine OCR-ANWENDUNG	zu verwendendes OCR-Programm (Standard: ocropus, ab 10.10 ist ein andere Angabe nötig!)
--language SPRACHKÜRZEL	zu verwendende Sprache (Standard eng)
zusätzliche spezielle Erkennungsfunktionen
--ocr-only	Seiten ohne Texterkennung werden nicht bearbeitet
--clear-text	vorher bereits existierender Text wird entfernt
--render {foreground,all,mask}	Angabe, welche Ebene bearbeitet werden soll, sinnvoll z.B. für fehl-gesplittete Dateien (Standard: mask)
-p SEITENZAHLEN/BEREICHE, --pages SEITENZAHLEN/BEREICHE	Seiten/Bereiche, die bearbeitet werden sollen, durch Kommata getrennt (z.B. 1-7, 9, 13-15)
-t {lines,words,chars}, --details {lines,words,chars}	Angabe zu Erkennungsdetails - Zeilen, Wörter oder Buchstaben (Standard: words)
--word-segmentation {simple,uax29}	zu verwendender Wort-Aufteilungs-Algorithmus, jede zusammenhängende Zeichenfolge oder uax29
mögliche Ausgabeformen
-o DATEINAME, --save-bundled DATEINAME	Resultat als mehrseitiges "bundled"-Dokument speichern
-i INDEX DATEINAME, --save-indirect INDEX-DATEINAME	Resultat als mehrseitiges "indirect"-Dokument speichern
--save-script DATEINAME	Resultate werden als Skript für djvused ausgegeben
--in-place	Resultate werden direkt im Terminal ausgegeben
--dry-run	Testdurchlauf, keine Änderungen an den Daten
Sonstiges
-D, --debug	Debugging, tempöräre Dateien bleiben zur Kontrolle erhalten
-j [N], --jobs [N]	Anzahl der parallel auszuführenden OCR-Prozesse
-h, --help	Hilfe, listet die möglichen Optionen auf
-v, --version	gibt die Versionsnr. des Programms aus

Weitere Informationen liefert die Manpage des Programms.

Auflösung zu hoch¶

Ggf. funktioniert ocrodjvu bei Vorlagen mit Auflösungen höher als 300 dpi insbesondere bei Verwendung von Cuneiform nicht einwandfrei und stürzt ab; bis 300 dpi sollte es aber kein Probleme geben. Ggf. hilft es, das Programm mit dem Befehl

ocrodjvu [OPTION(EN)] </dev/null 

aufzurufen, zumindest funktioniert damit auch die Verarbeitung 600-dpi-Scans unter Verwendung von Cuneiform-Linux.

Allerdings erhöht sich die Verarbeitungsdauer bei Verwendung von höheren dpi-Werten, auch für tesseract-ocr, enorm, die Verarbeitung eines 600dpi-A4-Scan kann bereits auf einem modernen Rechner mehrere Minuten in Anspruch nehmen!

Verwendung von Tesseract-ocr¶

Insbesondere bei verschachtelten farbigen Vorlagen kommt es mit tesseract-ocr als OCR-Anwendung z.T. zu Abbrüchen mit Meldungen zu nicht verarbeitbaren Zeichen, ocrodjvu stürzt mit Fehlermeldungen ab. Das Problem lässt sich mit der Verwendung einer aktuellen Version von ocrodjvu aus dem Quellcode umgehen, im Log tauchen zwar ggf. weiterhin Meldungen auf, die Verarbeitung wird aber nicht abgebrochen.