Beispiele¶

Die Eingabe in "XSane -> Einstellungen -> Konfiguration -> Texterkennung -> OCR Befehl"

/PFAD/ZU/xsane2djvu.sh -l ger -e cuneiform

führt zur Erstellung eines einseitgen DjVu-Dokument mit dem im OCR-Speicher-Dialog angegebenen Dateinamen und Verzeichnis; verwendet wird didjvu zur Encodierung und Cuneiform für die Texterkennung, Sprache ist Deutsch.

/PFAD/ZU/xsane2djvu.sh -l deu -e tesseract -a "-t lines" -c cjb2 -q "-lossy" -f /home/BENUTZER/Archiv/Zeitschrift/2010

erstellt die erste Seite eines mehrseitiges Dokument 2010.djvu im Ordner ~/Archiv/Zeitschrift (das Verzeichnis muss bereits existieren!). Verwendet wird der Encoder cjb2 (für schwarz-weiße Vorlagen sinnvoll) mit der ocrodjvu-Option -lossy (bessere Komprimierung). Zur Texterkennung wird tesseract-ocr, Sprache Deutsch, verwendet, der Text wird in Zeilen, nicht in einzelnen Wörtern gespeichert (weitere Größenersparnis). Weitere Scans mit dieser Einstellung werden dann jeweils an die Datei 2010.djvu angehängt, die temporären einseitigen Dateien werden gelöscht (sie können mit Auskommentieren der Zeile 179 rm "$FILE_OUT".djvu im Skript auch erhalten werden). Das mehrseitige Dokument ḱann jederzeit wieder weiter ergänzt werden, wenn der komplette Pfad zur Datei (ohne Endung!) in der Option -f korrekt angeben ist. Es lassen sich auch - z.B. für Seiten ohne Text, oder reine schwarz-weiße Seiten in ansonsten farbigen Vorlagen - andere Optionen im selben "Sammeldokument" verwenden.

Korrekturen an der Vorlage¶

Um die Vorlagen automatisch gerade zu ziehen, und eine "Unschärfe-Maskierung" noch vor Erstellung der DjVu-Datei zu erzielen (die Erkennung wird ggf. besser, die Optik sowieso) kann im Skript nach Zeile 122 der Block

## deskew and mask unsharp in-file using imagemagic
cp "$IN_FILE" zwischen.ppm  ## Temporärdatei, die convert verarbeiten kann)
convert zwischen.ppm -deskew 40% -unsharp 1x2 "$IN_FILE"  

eingefügt werden. Der convert-Befehl stammt aus der ImageMagick-Suite, die Optionen können bei Bedarf auch abgewandelt werden. Die Datei muss zunächst kopiert werden, weil convert die temporäre XSane-Datei aufgrund der angehängten Zufallsbezeichnung nicht als .ppm-Datei erkennt. Leider kann es bei der Nutzung des cjb2-DjVu-Encoders zu Problemen kommen, da die Erkennung der durch convert erzeugten .ppm-Datei nicht gewährleistet ist; dann sollte man besser die unpaper-Variante nutzen.

Nutzung von unpaper¶

Es ist auch möglich, die Vorlagen direkt durch unpaper einer umfassenden automatischen Korrektur unterziehen zu lassen. Dazu kann ein unpaper-Befehl mit den gewünschten Optionen am Anfang der Verarbeitung im Skript eingebaut werden. Wenn allerdings eine Seitenaufteilung (also z.B. ein doppelseitiger Scan eines Buches in zwei Einzelseiten) erfolgen soll, muss eine Schleife erstellt werden, die den gesamten DjVu-Erstellprozess für beide entstandenen Vorlagen-Seiten durchführt. Möglich ist das allerdings nur im "Sammel-Modus" für mehrseitige DjVu-Dateien mit der Option -f.

Im nachfolgenden Beispiel wird eine doppelseitige Vorlage mit eine Textverlauf von unten nach oben gedreht, gesäubert und in zwei DjVu-Seiten überführt. Der erste Block wird nach Zeile 122 eingefügt. Zunächst wird die Eingabedatei in eine für unpaper lesbare Form überführt (zwischen.ppm), dann gedreht, und in zwei "durchnummerierte" Bilder (doppelzwischen%03d.ppm, erzeugt doppelzwischen001.ppm und doppelzwischen002.ppm) aufgeteilt. Diese werden in der nachfolgenden Schleife bearbeitet.

##unpaper, two pages, bottom-top-text direction
cp "$IN_FILE" zwischen.ppm
unpaper --pre-rotate -90 --layout double --output-pages 2 zwischen.ppm doppelzwischen%03d.ppm

for i in `ls doppelzwischen*`; do
...

Innerhalb der Schleife müssen die Variablen "$FILE_IN" durch "$i", dem Schleifenzähler, ersetzt werden. Die Schleife wird direkt vor Ende des Skriptes wieder geschlossen, die nicht mehr benötigten Temporärdateien gelöscht:

...
rm "$i"
done
rm zwischen.ppm
rm "$FILE_OUT"
echo "~~~+++~~~~+++~~~" 1>&2

Auch eine kombinierte Nutzung mit der Automatischen Drehung ist machbar sein, dann benötigt man die --pre-rotate-Option von unpaper natürlich nicht.

Nutzung von Bildbearbeitungsprogrammen¶

Die Temporärdatei können auch direkt in externen Bildbearbeitungsprogrammen nachbearbeitet werden (z.B. um ungewünschte Anmerkungen, Unterstreichungen, Kaffeeflecken etc. zu entfernen). Dazu muss allerdings der Betrachter-Modus gewählt sein. Die zu bearbeitende Datei findet man im /tmp-Verzeichnis, ihr Name wird von XSane aus dem Backend, der Scanner-Verbindung und angehängten Zufallszeichen, xsane-conversion-BACKEND:BUS:USBPORT:NUMMER.ppm-1000-XXXXXX gebildet, konkret so etwas wie xsane-conversion-gt68xx:libusb:003:002.ppm-1000-4rlFon. Falls im XSane-Betrachter schon Änderungen vorgenommen wurden (Drehung etc.), muss stattdessen xsane-viewer... gewählt werden. Die Datei lässt sich in Bildverarbeitungsprogrammen öffnen (z.B. im GIMP), und dort bearbeiten. Sie muss dann mit dem exakten Namen wieder abgespeichert werden! Zumindest im GIMP ist das etwas fummelig, weil als gültiger Name nur der erste Teil bis einschließlich der .ppm-Endung akzeptiert wird. Man muss also die Datei nach dem Abspeichern ensprechend wieder um die -1000-XXXXXX-Zufallsbezeichnung erweitern (copy'n'paste biete sich dafür an). Diese Änderungen zeigt zwar der XSane-Betrachter nicht an, sie werden aber im weiteren Verlauf verwendet.

Automatisches Drehen der Vorlage¶

cp "$IN_FILE" zwischen.ppm
`tesseract zwischen.ppm stdout -l deu -psm 0  > orientation.txt 2>&1`
ORIENTATION=`cat orientation.txt | head -2l | tail -1l | cut -d" " -f4`
if [[ $ORIENTATION != "0" ]]; then
	econvert -i zwischen.ppm --rotate $ORIENTATION -o zwischen.ppm
fi

DjVu-Dateien ohne Textebene¶

Das Skript kann auch zur Erstellung von DjVu-Dateien ohne Texterkennung verwendet werden, dazu muss als engine-Option noocr gesetzt werden. Das ist ggf. sinnvoll, wenn eine Texterstellung erst für ein gebündeltes mehrseitiges Dokument erstellt werden soll; so lassen sich z.B. einige der ocrodjvu-Optionen effektiver nutzen.

Einfügen und Löschen von Seiten¶

Wenn man Teile in einem Dokument z.B. versehentlich vergessen hat, kann man andere DjVu-Dateien (auch mehrseitige) im Terminal mit dem Programm djvm (Teil von djvu-libre) einfügen. Der Befehl lautet:

djvm -i HAUPTDOKUMENT.djvu  EINFÜGUNG.djvu SEITENZAHL 

Die Datei wird dann vor der eingegebenen Seitenzahl eingefügt, alle nachfolgenden Seiten verschieben sich entsprechend.

Das Löschen einzelner Seiten funktioniert ähnlich:

djvm -d DOKUMENT.djvu SEITENZAHL 

Mehrere Seiten lassen sich allerdings nur über "Umwege" bzw. Loops entfernen; hier ein Beispiel, um die Seiten 41-49 eines Dokumentes zu entfernen:

count=41 ; until [ $count -gt 449 ] ; do djvm -d DOKUMENT.djvu 41 ; count=`expr $count + 1` ; done 

Siehe dazu auch diesen Blogbeitrag für weitere Möglichkeiten.

Eine andere Variante, hier um die Seiten 170-174 zu entfernen, wäre

for ( $i = 0; $i -lt 5; $i++ ) { djvm -d DOKUMENT.djvu 170 } 

Zusammenführen einzelner DjVu-Dateien¶

Einzelne durchnummerierte DjVu-Dateien lassen sich auf der Kommandozeile mit dem Befehl

djvm -c SAMMELNAME.djvu NAME*.djvu  

zu einem gemeinsamen Dokument unter SAMMELNAME.djvu verbinden, die Reihenfolge der Seiten ist von der kleinsten (alphanumerisch sortiert) aufsteigend. Nutzbar z.B. mit der automatischen Nummerierung, um doppelseitige Vorlagen zu scannen: erste die ungeraden Seiten, beginnend mit 001 und automatischer Erhöhung um +2, dann die geraden, beginnend mit 002 (oder von hinten beginnend, denn die Funktion lässt auch intervallweises Rückwärtszählen zu).

Cuneiform¶

Wenn Cuneiform-Linux beim Konvertieren mit einer Meldung

*** buffer overflow detected ***: cuneiform terminated

und nachfolgendem Backtrace abstürzen sollte (siehe 609482), ist ggf. die Auflösung für den Scanvorgang zu hoch gewählt. Teilweise tritt das bei Farbscans auch bei einer Auflösung von 300 dpi auf. Abhilfe kann das Scannen mit niedrigerer Auflösung und nachfolgendem Skalieren der Vorlage im Betrachter von XSane schaffen; allerdings kann die Erkennungsqualität etwas leiden. Ggf. hilft es, als letzte ocrodjvu-Option </dev/null zu verwenden. Mit tesseract-ocr als OCR-Anwendung treten diese Probleme nicht auf.

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, in der Folge kann die Vorlage nicht verarbeitet werden. Das Problem lässt sich mit der Verwendung einer aktuellen Version von ocrodjvu aus dem Quellcode umgehen (siehe ocrodjvu - Manuelle Installation), im Log tauchen zwar ggf. weiterhin Meldungen auf, ocrodjvu stürzt aber nicht mehr ab, die produzierten Dateien mit der Texterkennung sind voll verwendbar.