OCR Linux –

Krótki poradnik z przykładem jak szybko, skutecznie a przede wszystkim za darmo przerabiać skany dokumentów w formacie pdf na funkcjonalne dokumenty z których można kopiować tekst albo wyszukiwać.

[mbn-pl]

Ciekawe, zwłaszcza że działa z linii poleceń więc można sobie przez shella na raspberry pi uruchomić. Natomiast fajnie by było gdybyś wrzucił przykład jak to działa, np. zeskanowana strona książki. Jak sobie radzi z tekstem i wyodrębnianiem zdjęć lub przypisów. Bo nie chce mi się instalować tego wszystkiego po to, żeby się przekonać że nie warto było ;)

[t.....t]

@mbn-pl: juz nagrałem filmik na youtube z efektem działania, pare minut jeszcze. @rekoj: może być maszyna wirtualna i tak zreszta robie bo pliki trzymam na NAS i przydział montuje cifs-utils. Następnie odpalam skrypt na przydziale sieciowym

[t.....t]

@mbn-pl: https://youtu.be/y11tdwdLbss dodałem do powiązanych

[e.....5]

Przydatna rzecz. Ale warto też wiedzieć, że otwarcie zdjęcia, skanu znajdującego się na dysku google w dokumentach google robi OCR automatycznie.

[t.....t]

@e16z5: Ja to stosuje na skale, aktualnie przerabiam 25tyś dokumentów w różnych lokalizacjach. Jakbym miał dla siebie przerobić jednorazowo kilka dokumentów to również nie robiłbym aż takiego rozmachu. To rozwiązanie jest dla dużej skali dokumentów. Ten skrypt uruchomiłem na 4 serwerach i każdemu dałem po 6 tyś plików do OCR. Zrobiły przez 12h łącznie 6 tyś stron.

[kasjo]

@time0ut "tys."

[t.....t]

maszyna przygotowana, teraz robię instrukcje. Między czasie nagrałem przykład działania skryptu na serwerze OCR w sieci
https://youtu.be/9sTH_-pdUa4

[villog]

Nie musisz korzystać z kobyły typu awk/sed, można nieco prościej:

file_name=$(basename $line)

file_path=$(dirname $line)

file_ocr="${file_name%%.pdf}_ocr.pdf"

[t.....t]

@villog: Moje rozwiązanie to wynikło z starych doświadczeń bo nie raz potrzebowałem ścieżkę do pliku i nazwę pliku. To jest jak stara sprawdzona metoda, która działa to ją stosuję. Przetestuję Twoją i jeśli w każdym przypadku zadziała prawidłowo to jak najbardziej zacznę stosować bo jest czytelniejsza i na pewno szybsza do wykonania. Dziękuję

[msichal]

@villog: Niedawno spotkałem się z dziwnym zachowaniem basename z C, ścieżka była w stylu ./../../abc/def i zwracało abc zamiast def. Może basename działa poprawnie tylko z bezwzględnymi ścieżkami, nie pamiętam co pisali w manualu. No ale dirname działało poprawnie, więc parę prostych operacji i miałem co chciałem.

ps, to wszystko to dygresja, ja jestem za tym, żeby szczególnie w bashu używać możliwie prostych rozwiązań, bo później człowiek się zastanawia co

[tellet]

@gasdma Adobe daje ciała z OCR polskich znaków, znacznie lepiej robi to Abbyy, który jest robiony przez ludzi zza Buga ( ͡° ͜ʖ ͡°)ﾉ⌐■-■, ale ogólnie tak jest, że programy układają treść tak aby na pierwszym miejscu wizualnie się zgadzało.

[tellet]

@gasdma: Wiem bo mam to samo - na to nie ma rady, chyba że robisz ocr do jakiegoś .txt. Czasami daje się jako tako połatać taki dokument, ale zazwyczaj nic ponad "ej, weź mi to przerób do edytowalnej, bo muszę tam coś dopisać/zmienić kilka danych"

[hifonicszeus]

A macie coś na Windowsa? Mam bardzo stara książkę i jej skany, strony są żółte (jak to stary papier) i nie mogę niczym tego zrobić natomiast ABBY jest platny

[m.....1]

@hifonicszeus: @time0ut: Zawsze pozostaje Ubuntu on Windows, jeżeli korzystasz z Windows 10. Nie jest to wirtualna maszyna, tylko podsystem.

Musisz włączyć tryb dewelopera:
1. W Ustawieniach Windows (te nowe) -> Aktualizacja i Zabezpieczenia -> Dla deweloperów,
2.

[t.....t]

@musztarda_1: Dziękuję super porada. Nie używam Windows i nawet na to nie wpadłem. Mam gotowe VM, kompiuje na nim paczki OCR z git i używam w sieci. Czy tego osadzonego W Windows Ubuntu można używać w sieci?

[Lord_Gerwazy]

Brzmi i wygląda obiecująco - świetna robota, wykop!

[ufo99]

@time0ut o widzisz - właśnie czegoś takiego jak sandwich mi brakowało, z tym, że na swoje potrzeby zrobiłem skanowanie (na skanerze taniego wielofunkcyjnego hp) z łączeniem w wielostronicowe pdfy. Tesseracta próbowałem wrzucić do skryptu samemu, ale na którymś etapie stało się to zbyt pokręcone ( ͡° ͜ʖ ͡°)

[T.....n]

Czy ktoś próbował i da się w 100% zrzucić tekst ze skanowanej książki? (polskojęzycznej)

[t.....t]

@TheySeeMeBowlin: Jeśli zrobisz odpowiedniej jakości skany to bez problemu. Należy też w takim przypadku ustawić parametr -layout double jeśli na jednej kartce są zeskanowane 2 strony

[sqzz]

@time0ut

Niestety link do poradnika już nie istnieje, więc zwracam się do Ciebie z prośbą o udostępnienie opisu w innej formie.

[t.....t]

@sqzz: Uploaduje skonfigurowaną maszynę wirtualną na nowy serwer. Wkleję linka w którym będzie zawarty opis uruchomienia.