ocrodjvu

Dieser Artikel wurde für die folgenden Ubuntu-Versionen getestet:

Zum Verständnis dieses Artikels sind folgende Seiten hilfreich:

  1. Installation von Programmen

  2. Pakete aus dem Quellcode erstellen

  3. Archive entpacken

  4. Rechte für Dateien und Ordner ändern

  5. Ein Terminal öffnen

Inhaltsverzeichnis
  1. Installation
    1. Manuelle Installation
  2. Bedienung
    1. djvu2hocr und hocr2djvused
    2. Optionen für ocrodjvu
  3. Probleme
    1. Auflösung zu hoch
    2. Verwendung von tesseract-ocr
  4. Alternativen
  5. Links

Wiki/Icons/terminal.png 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.

Installation

Seit Ubuntu 10.04 ist das Programm in den Quellen, installiert[1] werden müssen die Pakete

Wiki/Vorlagen/Installbutton/button.png mit apturl

Paketliste zum Kopieren:

sudo apt-get install ocrodjvu cuneiform tesseract-ocr gocr ocrad 

sudo aptitude install ocrodjvu cuneiform tesseract-ocr gocr ocrad 

Manuelle Installation

ocrodjvu wird aktiv weiterentwickelt und die Versionen in den Quellen sind oft veraltet, daher ist es ggf. sinnvoll, sich die aktuelle Version aus dem Quellcode selbst zu erstellen[2]. Dazu wird der Code von GitHub ⮷ als .tar.xz 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

Wiki/Vorlagen/Installbutton/button.png mit apturl

Paketliste zum Kopieren:

sudo apt-get install python-lxml 

sudo aptitude install python-lxml 

installiert sein.

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