Hallo :) Ich habe versucht, das Anliegen schon im Titel zu beschreiben.
Ausgangspunkt: Eine digitale Bibliothek mit annähernd 300 Studien- und
Diplomarbeiten, Dissertationen und anderen wissenschaftlichen Arbeiten,
Umfang pro Band im Schnitt 150 Seiten.
Die Arbeiten (die meisten wurden vor 1990 erstellt) enthalten zum
Großteil Text, zumeist mit Schreibmaschine geschrieben. Der Text ist ab
und an durch Diagramme oder Formeln unterbrochen. Ganz selten sind auch
mal Bilder dabei. Die Arbeiten lagen im Original oder als gute Kopie vor
und wurden mit einem Hochleistungsscanner mit Einzelblatteinzug
digitalisiert.
Jede Arbeit besteht aus einer PDF-Datei, in der die einzelnen Seiten als
Bild eingebunden sind.
Was wir nun benötigen würden, wäre ein Tool, das die einzelnen Seiten
untersucht und versucht, die Textblöcke mittels OCR zu erkennen. Es soll
dann eine neue PDF-Datei erzeugt werden, die die Textblöcke enthält, und
die Diagramme und Bilder entsprechend dazwischen einfügt.
Die Anforderung wäre, dass das Programm ohne Interaktion auskommt
(Kommandozeile). Am schönsten wäre es, wenn das ganze auf unserem Server
(Ubuntu Linux) im Hintergrund ablaufen könnte, so dass keine Arbeitszeit
gebunden wird.
Vielleicht hat ja schon jemand eine ähnliche Aufgabe gelöst.
Stichwort "OCR"
Da gibt es diverse Programme. Allerdings ist ein nachträgliches
Korrekturlesen immer sehr sinnvoll. Selbst wenn sie eine sehr hohe
Erkennrate haben, entspricht das, was sie erkannt haben nicht unbedingt
dem, was da so steht...
Hallo Gerhard
ganz ohne einarbeitung der OCR Software wird es wohl nicht laufen, d.h.
die Software muss ersteinmal die jewilige Schreibmaschienenschrift
sicher erkennen können.
Wie ist den die Qualität der Scanergebnisse ? Du sagst gut, aber das
Gehirn hat immer noch die beste OCR "Software" und Schreibmaschinen
Texte waren auch schon im Orginal nicht immer 100% sauber, z.b. kann ein
Mensch ohne Probleme ein u von einen o unterscheiden auch wenn der obere
Bereich des o dünn und nur schwach erkennbar sein sollte, ob das aber
die OCR Software kann wage ich zu bezweifeln vor allem wenn die
einzelnen Buchstaben mal in guter und mal in schlechter Qualität
vorliegen.
Eventuell kann in zusammenarbeit mit einen guten Textverarbeitungssystem
das Problem gelöst werden welches "automatisch" erkennt das es sich bei
den Wort "Autu" doch ehr um das Wort "Auto" handeln wird. Aber was ist
jetzt mit den Wort "Mond", richtig, oder handelt es sich jetzt um das
Wort "Mund" ? Für den Menschen kein Problem er erkennt das aus den
Kontext ohne Problem heraus aber soweit ich weis hat Software generell
Problem wenn es darum geht einen Kontext zu erkennen (ausser wohl bei
engbegrenzten Spezialbereichen).
Zusammengefasst: Ohne Interaktion glaube ich wird das nicht
funktionieren, evtl. für die jeweilige einzelne Studien- und
Diplomarbeit aber schon bei den nähsten Beitrag (welcher ja sehr
wahrscheinlich mit einer anderen Schreibmaschine erstellt wurde) werden
Bestätigungen und Korrekturen notwendig sein (=> neues einlehrnen der
OCR Software).
Sollte hier jemand aus den professionellen Bereich sein der sagt das ich
totalen Quatsch erzähle und das auch belegen kann, würde mich das freuen
da ich selber hier viele Scans habe welche als Text einige wichtige
Vorteile bieten würden (Suchfunktionen etc.)
mfg
Achim
Gute OCR-Software bleibt bei der Zeichenerkennung nicht stehen, sondern
arbeitet "nach Hinten raus" mit umfangreichen Wortbibliotheken und sogar
syntaktischer Satzanlyse, um bei unklaren oder mehrdeutigen
Erkennungsergebnissen das Richtige herauszufinden.
Ich habe gute Erfahrung mit OmniPage Pro (gibts für Mac und Win)
gemacht, ist allerdings nicht ganz billig. Acrobat Pro (zur
PDF-Erstellung sowieso nötig**) enthält auch ein OCR-Modul, allerdings
kenne ich dessen Leistungsfähigkeit nicht.
Es gibt auch das OpenSource-Projekt "Tesseract", wird bei Google
gepflegt und hat ganz gute Erkennungsleistungen. Allerdings ist das
Anlernen von neuen Schriften - bei kommerziellen Produkten mit ein par
Klicks zu erledigen - mit Tesseract ein unglaublicher Krampf ...
** klar gibt es zahllose kostenlose PDF-Generatoren oder Libs, aber wenn
man ein solch großes Archiv anlegt, sollte man sich unbedingt mit den
gängigen PDF/A-Standards für Archivierung befassen!!!
Frank Esselbach schrieb:> Ich habe gute Erfahrung mit OmniPage Pro (gibts für Mac und Win)> gemacht, ist allerdings nicht ganz billig. Acrobat Pro (zur> PDF-Erstellung sowieso nötig**) enthält auch ein OCR-Modul, allerdings> kenne ich dessen Leistungsfähigkeit nicht.
... und den Abby FineReader kann man auch in dieser Liste führen.
Wenn auch kommerziell, und nicht gerade kostengünstig, so ist in diesem
Kontext doch auch die Adobe-eigene OCR zu erwähnen. Diese bietet die
reizvolle Funktion, den erkannten Text hinter die Graphik zu legen, so
daß das Original angezeigt wird, aber eine Volltextsuche und
Textextraktion dennoch möglich sind, und bei Texterkennungsfehlern das
Original auch weiterhin zur Verfügung steht.
Eine eigene Frage?
Dieser Thread ist über 15 Jahre alt.
Stell sie in einem eigenen Thread – dort lesen mehr Leute mit, und sie wird öfter und schneller beantwortet.
