ubuntuusers.de

ubuntuusers.deWikixsane2djvu

xsane2djvu

Dieser Artikel wurde für die folgenden Ubuntu-Versionen getestet:

XSane/xsane-logo.png Mit xsane2djvu lassen sich farbige mehrlagige DjVu-Dateien direkt aus XSane heraus über die Texterkennungsfunktion realisieren. Über dieses Verfahren können ein- oder mehrseitige DjVu-Dateien erstellt werden, als Encoder können die Programme didjvu (Standard), cjb2 {en} (sinnvoll für "lineart"-Vorlagen), minidjvu (nur für Schwarz-Weiß-Vorlagen), cpaldjvu {en} (für Vorlagen mit wenigen Farben) oder c44 {en} (für reine Grafik-DjVu-Dateien, keine automatische Texterkennung möglich!) eingesetzt werden. Zusammen mit der Segmentierung und dem Programm ocrodjvu ist es auch für "Privat"-Anwender relativ einfach möglich, die bitonale Ebene einer Bildvorlage zu extrahieren, und eine mehrlagige DjVu-Datei mit Textebene zu erstellen. Über XSane lassen sich dabei die Scan-Optionen gezielt setzen, um so eine spätere Nachbearbeitung weitestgehend zu umgehen.

Vorbereitung

Hinweis:

Leider findet die in den Quellen für Ubuntu 12.04 vorliegende ocrodjvu-Version 0.7.7 tesseract-ocr nicht. Abhilfe schafft aber die Installation von ocrodjvu 0.7.9 (ab 12.10 in den Quellen) oder höher aus dem Quellcode; damit kann tesseract-ocr wieder problemlos verwendet werden.

Voraussetzung ist eine Installation von didjvu, außerdem der grundlegenden DjVu-Programme, ocrodjvu zur Texterkennung (mit den gewünschten OCR-Programmen, unterstützt werden Cuneiform-Linux, GOCR, Ocrad, tesseract-ocr), sowie natürlich des Scanprogramms XSane:

  • djvulibre-bin (universe)

  • ocrodjvu (universe)

  • xsane (universe)

  • gocr (universe, optional)

  • ocrad (universe, optional)

  • tesseract-ocr (sowie die gewünschten Sprachpakete, optional)

  • cuneiform (optional)

  • didjvu

  • unpaper (optional)

  • exactimage (optional)

  • imagemagick (optional)

Wiki/Vorlagen/Installbutton/button.png mit apturl

Paketliste zum Kopieren:

sudo apt-get install djvulibre-bin ocrodjvu xsane gocr ocrad tesseract-ocr cuneiform didjvu unpaper exactimage imagemagick 

sudo aptitude install djvulibre-bin ocrodjvu xsane gocr ocrad tesseract-ocr cuneiform didjvu unpaper exactimage imagemagick 

Skript

Das eigentliche Skript wird in einen Editor[7] kopiert, unter einem aussagekräftigen Namen, z.B.xsane2djvu.sh abgespeichert und ausführbar[4] gemacht. Alternativ kann man es auch herunterladen {dl}.

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
#!/bin/bash
#    xsane2djvu - djvu directly from xsane
#    Copyright (C) 2010 Heinrich Schwietering
# 
#    This program is free software: you can redistribute it and/or modify
#    it under the terms of the GNU General Public License as published by
#    the Free Software Foundation, either version 3 of the License, or
#    (at your option) any later version.
#
#    This program is distributed in the hope that it will be useful,
#    but WITHOUT ANY WARRANTY; without even the implied warranty of
#    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
#    GNU General Public License for more details.
#
#    You should have received a copy of the GNU General Public License
#    along with this program.  If not, see <http://www.gnu.org/licenses/>.
#
##############################################################################
#
#                                   xsane2djvu 0.7
#
#           *** djvu made simple (well, kind of ...) ***
#
#
##############################################################################
# 
# xsane2djvu is a wrapper script to produce djvu files with xsane.
# It "mimics" the segmentation process used by commercial djvu products. 
# The scan is converted into a multilayered djvu file using didjvu 
# which depends on the gamera-framework to produce a foreground mask.
# Other encoders like cjb2, c44, cpaldjvu or minidjvu are possible as well.
# Finally a text layer is added, using ocrdjvu (OCR engines cuneiform,
# tesseract-ocr, gocr and ocrad) and addup the pages to a bundled djvu file.
#

TEMP_DIR=/tmp/      # folder for temporary files (all files)
ERRORLOG="xsane2djvu.log"  # file where STDERR goes 

if [[ -z "$1"  ]]
  then
  echo "Usage: $0 [OPTIONS]
  run the script as OCR-application for xsane!
  xsane2djvu uses a ppm files, and produces a 'split' djvu file using
  didjvu as standard application, the result is ocred using ocrodjvu
  
  OPTIONS:
    -i <filename> - temporary XSANE file
    -o <filename> - name for the single page output
    -l <language> - define the language used for recognition
    -e <ocr engine> - ocropus or cuneiform (with libmagick++-support!), noocr
     disables the ocr function
    -a <-ocrodjvu-option> - additional ocrodjvu options, optional
    -f </path/to/final/destination> -complete path to save location for 
       multipage-djvu, optional, without it a single page djvu is created
    -c <encoder> - usable c44 (no ocr possible), cjb2, cpaldjvu, or minidjvu; 
       parameter is optional, without didjvu is used as standard
    -q <-option for encoder> additional options for encoder used, optional
 
  Progress- & error-messages will be stored in this logfile:
     $TEMP_DIR$ERRORLOG

  xsane2djvu depends on
    - XSane http://www.xsane.org/
    - DjVuLibre http://djvu.sourgeforge.net
    - minidjvu http://minidjvu.sourceforge.net/
    - cuneiform-linux https://launchpad.net/cuneiform-linux Cuneiform-Linux
    - indirectly on libmagick-++dev  http://www.imagemagick.org/
    - or ocropus http://code.google.com/p/ocropus
    - didjvu and ocrodjvu http://jwilk.net/software/
    - indirectly on gamera http://gamera.informatik.hsnr.de/
  Some coding was stolen from 'ocube'
  http://www.geocities.com/thierryguy/ocube.html

  This djvu adaption is based on xsane2tess  
  http://doc.ubuntu-fr.org/xsane2tess, 

  Hints always welcome! heinrich (dot) schwietering (at) gmx (dot) de
"
  exit
fi

# get options...
while getopts ":i:o:l:e:a:f:c:q:" OPTION
  do
  case $OPTION in 
    i)  # input filename (with path)
      FILE_PATH="$OPTARG"
    ;;
    o )  # output filename
      FILE_OUT="$OPTARG"
    ;;
    l )  # recognition language
      REGLANG="$OPTARG"
    ;;
    e )  # engine option 
      ENGINE="$OPTARG"
    ;;
    a )  # additional ocrodjvu option  
      OCROPT="$OPTARG"
    ;;
    f )  # final name for bundled djvu file option 
      FINAL="$OPTARG"
    ;;
    c )  # encoder to use (standard is didjvu)
      ENCODER="$OPTARG"
    ;;
    q )  # option for encoder
      ENCOPT="$OPTARG"
    ;;
  esac
done

# redirect STDOUT to FILE_OUT
exec 1>>$FILE_OUT

# redirect STDERR to ERRORLOG
exec 2>>$TEMP_DIR$ERRORLOG

# strip path from FILE_PATH, use filename only
IN_FILE="${FILE_PATH##*/.*}"

echo "~~~+++~~~~+++~~~" 1>&2

# check if an encoder is requested
if [[ $ENCODER != '' ]]
  then
   { 
# check if minidjvu is requested
     if [[ $ENCODER == "minidjvu" ]]
     then
# prepare file for minidjvu
     convert "$IN_FILE" "minidjvu.pbm"
     echo "file converted" 1>&2
# use minidjvu and rename file
     minidjvu $ENCOPT "minidjvu.pbm" "minidjvu.djvu"
     echo "$ENCODER $ENCOPT used" 1>&2
     cp "minidjvu.djvu" "$FILE_OUT"
     else
# use other requested encoder and options
    $ENCODER $ENCOPT "$IN_FILE" "$FILE_OUT"
    echo "$ENCODER $ENCOPT used" 1>&2
    fi 
    }

  else
# produce segmented djvu file with didjvu
    didjvu encode $ENCOPT -o "$FILE_OUT" "$IN_FILE"
    echo "didjvu $ENCOPT used" 1>&2
fi

# check if ocr is requested
if [[ $ENGINE == 'noocr' ]]
    then
       cp "$FILE_OUT" "$FILE_OUT.djvu"
       echo "no ocr used" 1>&2
    else
# check if language is set, if not use english; language is set according to used system language setting
       if [[ $REGLANG == "" ]]
          then
          ocrodjvu --engine=$ENGINE -o "$FILE_OUT.djvu" --language eng $OCROPT "$FILE_OUT" 1>&2
          echo "$ENGINE used with language eng $OCROPT" 1>&2
# use requested engine and language for ocr
       else
           ocrodjvu --engine=$ENGINE -o "$FILE_OUT.djvu" --language "$REGLANG" $OCROPT "$FILE_OUT" 1>&2
          echo "$ENGINE used with language $REGLANG $OCROPT" 1>&2
       fi
fi

# check if multipage document is requested
if [[ $FINAL != '' ]]
  then
  { 
# check if final file is already existing
    if [[ ! -a "$FINAL".djvu ]]
      then
# start final djvu file
        cp "$FILE_OUT.djvu" "$FINAL".djvu 1>&2
        echo "$FINAL started" 1>&2

# insert new djvu file at the end of final file
      else
       djvm -insert "$FINAL".djvu "$FILE_OUT.djvu" 1>&2 
       echo "$FILE_OUT added to $FINAL" 1>&2
    fi 
# remove temporary single page djvu
    rm "$FILE_OUT".djvu

  }

fi

# Remove djvu without text
rm "$FILE_OUT"
echo "~~~+++~~~~+++~~~" 1>&2

Das Skript ist eine Weiterentwicklung des xsane2tess-Skriptes, das auf ubuntu-fr.org veröffentlicht worden ist.

Das Temporärverzeichnis (Zeile 36) kann entsprechend der eigenen Wünsche abgepasst werden, dort wird auch die xsane2djvu.log-Datei abgelegt. Das Log wird in der Standardeinstellung nach Abschalten des Rechners gelöscht; wer es später verwenden möchte, sollte ein anderes Verzeichnis wählen, das aber bereits existieren muss!

Benutzung

In "XSane -> Einstellung -> Konfiguration -> Texterkennung" wird als OCR-Befehl "/PFAD/ZU/xsane2djvu.sh" sowie weitere Optionen zur Steuerung angegeben. Verwendbare Optionen sind:

Optionen für xsane2djvu
Argument Funktion
-e [OCR-PROGRAMM] cuneiform, gocr, ocrad oder tesseract; noocr schaltet die Texterkennung ab
-l [Sprachkürzel] Legt die verwendete Sprache für den OCR-Engine fest; optional, ohne Angabe wird Englisch verwendet
-a ["OCRODJVU-OPTION(EN)"] ocrodjvu-Option(en), müssen in Anführungszeichen stehen; optional
-f [/PFAD/ZUR/MULTIPAGE-DATEI/SAMMELNAME] Option zur Erstellung eines mehrseitigen Dokumentes, Angabe des kompletten Pfade ist nötig (~ oder $HOME funktionieren nicht!); ohne Pfadangabe wird das Dokument im Homeverzeichnis des Benutzers abgelegt. Optional, ohne diese Option wird jeweils ein einseitiges DjVu-Dokument erstellt.
-c [ENCODER] Verwendeter Encoder, nutzbar sind c44 (keine Texterkennung über ocrodjvu möglich!), cjb2, cpaldjvu oder minidjvu. Die Verwendung ist optional, ohne sie wird didjvu eingesetzt.
-q ["-ENCODER-OPTION(EN)"] Encoder-Option(en), müssen in Anführungszeichen stehen; optional

Als Option für die Eingabedatei in "XSane -> Einstellungen -> Konfiguration -> Texterkennung" werden "-i", für die Ausgabedatei "-o" angeben, die weiteren Felder bleiben leer. Die möglichen Sprachkürzel für ocrodjvu lassen sich über den Befehl[5]

ocrodjvu --engine OCR-PROGRAMM --list-languages 

ausgeben (und sind abhängig von den installierten Tesseract-Sprachpaketen), für Cuneiform lassen sich alle unterstützten Sprachen angeben, ohne Angabe ist die Standardeinstellung Englisch (eng). Als ocrodjvu-Optionen lassen sich natürlich nur für Einzelbilder sinnvolle Parameter eintragen, also z.B. -a "-t words|lines|chars" oder "--word-segmentation simple|uax29" (siehe ocrodjvu-Optionen), die Verwendung ist optional. Ähnliches gilt für die Optionen des verwendeten Encoders, Einzelheiten in den jeweiligen Manpages. Die Optionen müssen wie in der Tabelle angegeben in Anführungszeichen gesetzt werden.

Die Vorlage wird in XSane im Betrachter-Modus erstellt. Als Auflösung werden 300 dpi empfohlen, die Farbeinstellung je nach Vorlage gewählt. Im Betrachter die Texterkennung (xsane/xsane-ocr.jpg-Taste) wählen, der Ausgabename wird ohne Endung im OCR-Speicher-Dialog festgelegt (für die Erstellung mehrseitige Dateien ist das unerheblich). Alternativ kann auch, wenn keine Kontrolle/zusätzliche Speicherung des Bildes erforderlich sind, im Speichermodus mit der Erweiterung "TEXT" direkt die Erstellung der Datei erfolgen, ohne im Betrachter-Modus die OCR-Funktion aufrufen zu müssen. Die DjVu-Datei wird dann in angegebenen Verzeichnis (Schreibrechte nötig!), wenn die Option -f verwendet wird, als SAMMELNAME.djvu abgelegt, und enthält eine durchsuchbare Textebene. Die Qualität der Texterkennung ist dabei vom Aufbau des Vorlage abhängig; je "verschachtelter" Text und Grafikelemente sind, desto schwieriger wird die exakte Zerlegung, und damit die Texterkennung. Tesseract liefert bei Tabellen die besten Ergebnisse, bei Vorlagen mit Bildern schneidet meist Cuneiform besser ab.

Hinweis:

Die Verwendung der Option "Mehrseitig" in XSane ist für die Erstellung von djvu-Dateien nicht möglich; damit können nur .tiff , Postscript oder PDF-Dateien erstellt werden! Mehrseitige djvu-Dateien werden über die entsprechende Angabe des Pfads und Namen in der Option -f erzeugt.

Beispiele

Achtung!

Die Angaben müssen sehr exakt erfolgen, es dürfen zwischen den Optionen nur einfache Leerzeichen verwendet werden, sonst kommt es zu Fehlern!

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

Experten-Info:

Mit Tesseract 3.03 (ab Ubuntu in den Quellen) kann man die Option -psm 0, mit der nur die Schriftrichtung einer Vorlage ausgegeben wird, direkt verwenden, um vor Bearbeitung der Scans eine automatische Drehung durchführen zu lassen.

Für Ubuntu 12.04 ist dieses mit etwas Aufwand auch möglich, mit der aktuellen Entwicklerversion von tesseract (ab Version r1037), sodass es egal ist, wie die Textvorlage auf dem Scanner liegt. Für Presice wird dazu allerdings libleptonica {en} ab Version 1.70 benötigt (am 24.01. 2014 erschienen), die wiederum eine aktuelle Version von webp {dl} als Voraussetzung hat (0.3.1 oder höher, Programm als libwebp2 erstellen). Dann lädt man sich die aktuelle Entwicklerversion {dl} von tesseract-ocr herunter, führt ./autogen durch und kompiliert das Programm.

Leider erkennt ocrodjvu eine solche tesseract-Version nur Version 0.7.17 oder höher, die (momentan - 04.02. 2014) nur als Quellcode über die Downloadseite {dl}, Reiter "Tags", des ocrodjvu-Projekts zu beziehen ist.

Damit ist eine Ausgabe der Richtung des Textverlaufes möglich, wenn die Tesseract-Option -psm 0 verwendet wird. In der Ausgabe gibt Orientation in degrees: XX die Ausrichtung der Schrift an. Dieser Wert kann verwendet werden, um das Bild entsprechend zu drehen. Für das xsane2djvu.sh-Skript ist das über die Ergänzung um folgende Zeilen (nach Zeile 122 einfügen) möglich:

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

Damit wird die temporäre Datei orientation.txt erstellt, die in der 2. Zeile die benötigte Angabe Orientation in degrees: XX enthält, der XX-Wert wird ausgelesen und für die Drehung verwendet. Die Eingabedatei muss temporär umbenannt werden, weil econvert und unpaper den Dateinamen sonst nicht akzeptieren. Zum Einsatz kommt der econvert-Befehl aus ExactImage; mit dem convert-Befehl aus ImageMagick kann es zu Problemen mit dem cjb2-Encoder kommen.

Wenn das automatische Geradeziehen (s.o.) nicht verwendet wird, muss zwischen.ppm schon hier wieder in "$FILE_IN" überführt werden (cp zwischen.ppm "$IN_FILE").

Siehe dazu auch tesseract-Issue 955.

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 {en} (Teil von djvu-libre) einfügen. Der Befehl lautet:

dvjm -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 {en} für weitere Möglichkeiten.

Ein 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).

Probleme und Lösungen

Falls Probleme auftauchen, liefert das angelegte Protokoll xsane2djvu.log ggf. Hinweise zur Lösung.

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.

Alternativen

  • Mit gscan2pdf können auch mehrseitige DjVu-Dateien angelegt werden, allerdings ist die Segmentierung nicht möglich. Die Texterkennung (für DjVu-Daten sinnvoll einzusetzen erst ab Version 0.9.31, in der die Verwendung von Cuneiform implementiert ist) erfolgt dementsprechend auch nicht im Djvu-Dokument selbst, sondern wird vorher von der gescannten Vorlage erstellt, was gerade bei farbigen Vorlagen zu Problemen führen kann. Verglichen mit von didjvu erstellten farbigen DjVu-Dateien können bis zu 10fach große Dateien aus derselben Vorlage entstehen.

  • pct-scanner-scripts aus dem gleichnamigen Paket ist ein vielfältig konfigurierbares Kommandozeilen-Werkzeug zum Scannen und anschließender Erstellung von DjVu, PDF oder JPEG-Dokumenten zur Archivierung. Das Programm bedarf etwas Einarbeitungszeit, kann dann aber auch "vollautomatisiert" z.B. mit ADF-Scannern eingesetzt werden, um mehrseitige DjVu-Dateien, auch mit Textebene, zu erstellen. Einzelheiten im Artikel pct-scanner-script

  • djvubind ist ein Kommandozeilenprogramm, mit dem aus .tiff-Vorlagen DjVu-Dokumente (z.B. als E-Books) erstellt werden können. Das Programm kann allerdings momentan nur schwarz-weiße .tiff-Dateien verarbeiten (z.B. Scan Tailor-Ausgaben); die Texterkennung erfolgt standardmäßig mit tesseract-ocr, cuneiform ist optional auch verwendbar..

Diese Revision wurde am 3. August 2014 11:18 von Heinrich Schwietering erstellt.
Die folgenden Schlagworte wurden dem Artikel zugewiesen: djvu, Büro, Texterkennung, Grafik, Kommunikation, Scanner, Bildung, OCR