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.

[odzyskajdane]

office lens na androida, może mało wygodne bo nie każdy lubi z poziomu telefonu, ale całkiem nieźle to działa. Swoją drogą, ostatnio dostałem kilkanaście stron rękopisu i po raz pierwszy wypróbowałem pisanie głosowe google... idealnie, szybko i bez błędów (może trochę pomaga podwójny mikrofon i redukcja szumów w P10?)
Jedyny problem to konieczność dopisania znaków interpunkcyjnych. Polecam!

[PiotrasSNK]

Tyktak

[Joterini]

Hej, a jak wygląda rozpoznawanie kolumn czy podziału stron. Działa inteligentnie czy z kolumn (to chyba się szpalty nazywa) robi sieczke?
W sumie przetestuję w przyszłym tygodniu. Mam kilku niewidomych qmpli, OCRy to spora część ich życia.

[t.....t]

@Joterini: Niestety nie sprawdzałem tego i zakładam, że obszarowe kopiowanie tekstu nie jest odpowiedzią. W komentarzach pojawiło się wiele ciekawych pytań na które chętnie odpowiem po testach bo przygotowuje kolejny artykuł z opisem gotowego vm.

[OperatorHydrolokator]

@time0ut ja teseracta wielokrotnie używałem w skryptach kiedy np. dostawałem w jednym pdfie zeskanowane 200 faktur czy tam innych dokumentów, a trzeba było podzielić na osobne pliki i nadać im odpowiednie nazwy. Tesseract + pdftk + sed + awk itd. i jechane.

[t.....t]

@OperatorHydrolokator:
Takie przypadki rozwiązuje w taki sposób, że najpierw robię ocr pliku z 200 stronami (zadanie jest rozbijane na maksymalną ilość wątków i znacznie szybciej się wykonuje OCR) następnie pdftk rozbijam duży plik na pojedyncze pliki i na końcu łącze wielostronicowe faktury pdfmodem. Tak jest najszybiciej według mnie

[OperatorHydrolokator]

@time0ut szczerze mówiąc, to nigdy się nie zastanawiałem nad jakąś mega optymalizacją skryptu bo takie "strzały" trafiają mi się rzadko (kilka razy w miesiącu) i w sumie to mi nie zależy czy to trwa 5 czy 15 minut ;) Odpalam, idę na kawę czy obiad, wracam i jest.

[B.....d]

A co z bardziej zaawansowanymi plikami? Chodzi mi o np. pdf lub skany gdzie jest dużo tabel, zagnieżdżonych itp. Czy skrypt zachowa jako taką tabele aby można było łatwiej wkleić do np. Excela?

[t.....t]

@Buckethead: Nie mam aktualnie żadnego takiego skanu żeby sprawdzić i odpowiedzieć bo branża w której pracuje operuje raczej prostymi dokumentami - faktury, listy elementów itp. Skopiowałem wartości z pliku Faktury z OCR, wkleiłem do LibreOffice Calc i elementy wkleiły się do różnych komórkach. Będę miał na uwadze aby to przetestować dokładnie.

[krak]

A macie jakiś dobry i najlepiej darmowy, program do skanowania książek?

[UmCykCyk]

@krak przy skanowaniu książek to największym problemem jest przekładanie kartek :-)

[vendel]

Kupta se readsoft

[tellet]

@vendel Tylko Abbyy (✌ ﾟ ∀ ﾟ)☞

[t.....t]

@Kykax: wersja 3.04 jest znacznie lepsza od poprzednich i w mojej opinii po przerobieniu kilku dziesięciu tysięcy plików jest bardzo skuteczna. Przede wszystkim jest to w pełni darmowe rozwiązanie i trzeba się się pilnować aby jakość skanów była odpowiednia

[jedzbudynie]

wow, zrobiłeś pętelke w bashu i główna na wykopie.
Zrób jeszcze watchdoga na nowe pliki i reklamuj się jako nowy bill gates

widzę że poziom niezmienny.

[fervi]

@jedzbudynie: czekamy na twoje skrypty

[t.....t]

@jedzbudynie: Niestety wprowadzasz w błąd. Owszem przeglądarki uruchamiają PDFy ale pozwalają na kopiowanie tekstu z wygenerowanych dokumentów a nie zeskanowanych bez ocr (osadzonych obrazów). Na początku mnie zastanowiłeś pierwszym komentarzem ale ten Cię troszkę obnażył.