Voraussetzungen¶

Für pdfocr wird eine Installation^[1] von

• ruby

mit apturl

sudo apt-get install ruby 

sudo aptitude install ruby 

benötigt.

Installation¶

Das Programm selbst ist bisher nicht in den Ubuntu-Paketquellen vorhanden. Die einfachste Installationsart besteht über das Projekt-PPA.

Adresszeile zum Hinzufügen des PPAs:

• ppa:gezakovacs/pdfocr

Damit Pakete aus dem PPA genutzt werden können, müssen die Paketquellen neu eingelesen werden.

Nach der Einrichtung des PPAs wird das folgende Paket installiert:

• pdfocr (ppa)

mit apturl

sudo apt-get install pdfocr 

sudo aptitude install pdfocr 

Bedienung¶

pdfocr ist ein Skript, das folgende Schritte automatisiert:

1. Aufteilung einer mehrseitigen PDF-Datei in Einzelseiten (bei Bedarf, via pdftk)

2. Extrahieren der Bild-Daten mit pdfimages

3. Ausführung der Texterkennung mittels tesseract-ocr, ggf. Cuneiform-Linux oder OCRopus (Ausgabe im hOCR-Format)

4. Einfügen des Textes in die PDF-Datei mit hocr2pdf

5. Wiederzusammenführung der Dateien (bei Bedarf, via pdftk)

Es können die Schritte daher auch einzeln angepasst ausgeführt werden, wenn andere Einstellungen als im Standard vorgegeben erwünscht sind. Die "Passung" der Lagen ist abhängig vom Ausgangsmaterial, dabei sind die Ergebnisse für reine Textvorlagen erfahrungsgemäß besser als für PDF-Dateien mit vielen Bildern.

pdfocr wird auf der Kommandozeile^[2] ausgeführt, die allgemeine Syntax lautet:

pdfocr [OPTIONEN] -i INPUT.pdf -o OUTPUT.pdf 

Folgende Optionen stehen zur Verfügung:

Probleme und Lösungen¶

Leider erkennt diese Version mit Tesseract 3.02 die installierten Tesseract-Sprachen nicht. Ohne Angabe der Option -l wird Englisch zugrunde gelegt. Eine provisorische Lösung besteht darin, in in einem Editor ^[5] mit Root-Rechten in der Datei pdfocr.rb die Standardsprache auf deu (oder die gewünschte tesseract-Sprache, Zeile 73) zu setzen, und die Option usetesseract auf true zu stellen (Zeile 77), dann kann ohne die Angabe der -l-Optionen direkt Tesseract mit der angegebenen Sprache verwendet werden, wenn diese installiert ist.

Alternativ können die Zeilen 252 bis 265 mit vorangestelltem # auskommentiert werden, dann funktioniert die Sprachauswahl wieder. Hintergrund scheint zu sein, dass die Funktion --list-langs unter Tesseract 3.02 nicht mehr existiert, aber vom Skript verwendet wird.

Für Tesseract 3.03 sind diese Änderungen nicht nötig; die Option --list-langs funktioniert dort wieder.

    sh "tesseract", "-l", language, basefn+'.ppm', basefn+'.hocr', "hocr"

    sh "tesseract", "-l", language, basefn+'.ppm', basefn, "hocr"

    sh "mv", basefn+'.hocr.hocr', basefn+'.hocr'

Alternativen¶

• OCRmyPDF ist ein ähnlicher Programm, das momentan mit tesseract-ocr die besten Ergebnisse für die Textebenenerkennung und Passung für grafische PDF-Dateien liefert.

• gscan2pdf liefert mit dem OCR-Programm tesseract-ocr sehr gute Ergebnisse für "Sandwich-PDFs", da damit auch eine akzeptable Layout-Erkennung für die Passung der Lagen möglich ist.

• xsane2sandwich ist ein Wrapper-Skript, mit dem aus XSane heraus Sandwich-PDFs mit Textlage direkt erstellt und auch erweitert werden können; zur Texterkennung wird tesseract direkt oder OCRmyPDF verwendet.

• pdfsandwich beschreitet einen ganz ähnlichen Weg wie pdfocr, seit Version 0.0.5 auch mit tesseract als OCR-Programm. Die Ergebnisse sind damit momentan wesentlich besser als mit pdfocr.

• In diesem Blogeintrag von Konrad Voelkel wird eine ähnliche Vorgehensweise beschrieben.

• ocrodjvu ist Programm, um Texterkennung für DjVu-Dateien durchzuführen. Eine Konvertierung von PDF-Dateien kann mittels pdf2djvu erfolgen, mit xsane2djvu auch eine direkte Erstellung. Die Texterkennung arbeitet generell zuverlässiger und die Dateien sind bei gleicher Qualität wesentlich kleiner.

Links¶

• PDF - Übersichtsseite

• Texterkennung - Übersichtsseite

• Projektseite auf github.com

• HowTo auf ubuntuforums.org