ocrodjvu
Dieser Artikel wurde für die folgenden Ubuntu-Versionen getestet:
Ubuntu 20.04 Focal Fossa
Du möchtest den Artikel für eine weitere Ubuntu-Version testen? Mitarbeit im Wiki ist immer willkommen! Dazu sind die Hinweise zum Testen von Artikeln zu beachten.
Zum Verständnis dieses Artikels sind folgende Seiten hilfreich:
ocrodjvu 🇬🇧 ist eine Kommandozeilen-Werkzeug zum Erstellen einer versteckten Textlage für DjVu-Daten, das auf DjVuLibre 🇬🇧 fußt. Dazu können die Programme tesseract-ocr, Cuneiform-Linux GOCR und/oder Ocrad für die eigentliche Texterkennung genutzt werden. Der Wrapper, verfasst in Python, wurde u.a. für das polnische poliqarp-Projekt 🇬🇧 eingesetzt. ocrodjvu benötigt eine Python-2.7-Installation.
Installation¶
Bis einschließlich Ubuntu 18.04 ist das Programm in den Quellen, installiert[1] werden müssen die Pakete
ocrodjvu (universe)
cuneiform (optional)
tesseract-ocr (sowie die gewünschten Sprachpakete, optional)
gocr (optional)
ocrad (optional)
Befehl zum Installieren der Pakete:
sudo apt-get install ocrodjvu cuneiform tesseract-ocr gocr ocrad
Oder mit apturl installieren, Link: apt://ocrodjvu,cuneiform,tesseract-ocr,gocr,ocrad
Manuelle Installation¶
ocrodjvu wird aktiv weiterentwickelt und die Versionen in den Quellen sind ggf. veraltet oder nicht mehr vorhanden, daher ist es sinnvoll, sich die aktuelle Version (0.12, Stand November 2020) aus dem Quellcode selbst zu erstellen[2]. Dazu wird der Code von GitHub ⮷ als .tar.xz heruntergeladen und das Archiv entpackt[3]. Ein einfaches Paket lässt sich z.B. mit dem Befehl [5]
sudo checkinstall
erstellen und installieren, ein configure und make-Aufruf sind nicht nötig, die enthaltenen Programme sind bereits kompiliert. Eine manpage wird damit allerdings nicht erstellt.
Außerdem müssen zur Nutzung die Pakete
python-subprocess32
python-djvu
python-lxml
Befehl zum Installieren der Pakete:
sudo apt-get install python-subprocess32 python-djvu python-lxml
Oder mit apturl installieren, Link: apt://python-subprocess32,python-djvu,python-lxml
installiert sein.
Installation unter 20.04¶
Da das Paket unter Ubuntu 20.04 nicht mehr in den Quellen vorhanden ist, muss es manuell installiert werden (s.o.). Das benötigte Paket python-djvu ist allerdings ebenfalls nicht mehr vorhanden, es kann aber auf die Version aus Ubuntu 18.04 zurückgegriffen werden.
Bedienung¶
Die allgemeine Syntax auf der Kommandozeile[5] lautet
ocrodjvu {-o | --save-bundled} AUSGABE.djvu [OPTION(EN)...] EINGABE.djvu zur Erstellung eines bundled-Dokuments, bzw.
ocrodjvu {-i | --save-indirect} INDEX-DATEI [OPTION(EN)...] EINGABE.djvu um ein indirect-Dokument zu erstellen. Dazu sollte ein Ordner mit dem Namen der Index-Datei existieren, in den dann die Indexdatei selbst und alle weiteren Dateien abgelegt werden. Ansonsten werden alle Daten im gerade genutzten Verzeichnis abgelegt.
Um z.B. mit XSane o.ä. selbsterstellte und mit pdf2djvu oder DjVuDigital ins DjVu-Format konvertierte PDF-Dateien mit einer Textlage zu versehen, ist die Option --render all nötig, da die standardmäßig verarbeitete bitonale Lage (mask) nicht vorhanden ist, und ocrodjvu eine Fehlermeldung ausgibt. Das gilt auch für farbige mit gscan2pdf erstellte DjVu-Dateien ohne Textlage. Das Programm xsane2djvu verwendet ocrodjvu, um direkt die Textlage aus der dort erstellten "foreground-mask" für ein gescanntes Dokument zu erstellen.
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 durchsuchbare 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: tesseract) |
--language SPRACHKÜRZEL | zu verwendende Sprache (Standard eng) |
| zusätzliche spezielle Erkennungsfunktionen | |
--ocr-only | Seiten ohne Texterkennung werden nicht gespeichert |
--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.
Probleme¶
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.
Alternativen¶
gscan2pdf kann verschiedene OCR-Programme verwenden
xsane2djvu und pct-scanner-script können ocrodjvu zur Texterkennung verwenden
Links¶
Projektseite 🇬🇧
Texterkennung - Übersichtsartikel
DjVu - Grundlagenartikel
didjvu - Programm zum Erstellen regulärer DjVu-Dateien mit bitonaler Vordergrundebene