Guten Morgen,
vielleicht kann man mir hier weiter helfen?
Ich habe einen Scan eines Artikels gemacht, der jetzt als pdf auf meinem
PC (Windows 10) liegt. Diese pdf-Datei enthält den mehrseitigen Artikel
als Grafik. Weil ich den Text haben möchte, habe ich auf diverse Seiten
im Internet Online-OCR Umfwandlungen bemüht. Die Ergebnisse sind meist
ganz gut.
Die ausgegebene Datei war jeweils wieder ein pdf-Dokument. Wenn ich das
öffne, kann ich den Text auch tatsächlich markieren und in die
Zwischenablage kopieren.
Jetzt das Problem:
Statt der pdf-Datei hätte ich lieber eine Word-Datei, die ich weiter
bearbeiten kann. Natürlich könnte ich jetzt Abschnitt für Abschnitt
rüber kopieren. Das wäre aber umständlich und nur der letzte Ausweg.
Also habe ich wieder verschiedene Online-Dienste zur Konvertierung des
OCR-pdf's verwendet. Die ausgegbenen Wort-Dateien waren aber allesamt
entweder leer oder enthielten wieder Grafik, also keinen durchsuchbaren
Text.
Frage:
Wo ist der durchsuchbare und kopierbare Text geblieben? Wie bekomme ich
eine wirkliche Textdatei, sei es als pdf oder Word-Dokument?
Jetzt hoffe ich, so etwas hat schon mal jemand gemacht und kann mir
helfen.
Grüße
Paul
Das mit Tesseract hatte ich schon vor einiger Zeit versucht, bin aber an
der Installation gescheitert.
Kann Libre-Office pdf importieren und als Wort exportieren? Dann würde
ich das mal versuchen.
Paul schrieb:> Kann Libre-Office pdf importieren und als Wort exportieren? Dann würde> ich das mal versuchen.
Das Problem bei PDF ist, dass es dort keinen Textfluss gibt (Wörter von
links nach rechts, dann in der nächsten Zeile weiter...).
Wenn eine Tabelle in PDF geschrieben wird, kann dies günstigenfalls wie
obenbeschrieben, aber auch spaltenweise oder kreuz und quer passieren.
Das sieht man dann auch, wenn man in einer PDF-Tabelle mal versucht Text
zu markieren.
LibreOffice importiert die PDF seitenweise in Draw, dort ist dann jedes
Wort ein Textfeld auf der Seite. Wenn man das in die Textverarbeitung
übernehmen würde, würden es auch Textfelder bleiben.
Eigentlich dürfte es ja keine soo große Herausforderung sein, die
einzelnen Textfelder anhand ihrer Koordinaten zu Fließtext, oder einer
Tabelle zusammenzusortieren.
Vielleicht versuche ich mich mal dran, die ODF-Dateien lassen sich ja
gut verarbeiten.
Diese Herausforderung wird daher bei der Erkennung, mehr oder weniger
gut, vom OCR (Tesseract) übernommen.
https://www.xpdfreader.com/pdftohtml-man.html
oder ähnliche Tools. Reiner Text als Output geht ganz gut, mit
Formatierung wird’s nicht so toll.
Ich würde aber auch tesseract nehmen.
Oliver
Man kann sich das Leben auch schwer machen.
FOXIT-Reader installieren (ist eh schneller aus Adobe).
PDF laden
Datei -> speichern unter -> TXT-File auswählen. Speichern Freuen.
Alternativ.
PDF LADEN. STRG-A drücken dann (mehrmals) STRV-C auf Word wechseln.
STRG-V drücken. Auch Fertig.
Und nun noch beten, das der Artikel keine Spalten hat. Sonst muss man
eine OCR über einen Text setzen und eine Block-Bildung vorher malen. ;)
Google Docs macht OCR, wandle damit öfter mal schlechte Kopien der
Schule für die Kindern um, danach kannst du den Text einfach markieren
in die Textverarbeitung einfügen und gut.
Jetzt habt ihr mich neugierig gemacht, OCR wollte ich schon immer mal
probieren. Tesseract heruntergeladen, installiert,
https://github.com/tesseract-ocr/tessdata/blob/main/deu.traineddata
downgeloaded und nach C:\Program Files (x86)\Tesseract-OCR\tessdata
kopiert.
Dann der Aufruf in der Tesseract-Konsole:
tesseract c:\test\test.png test -l deu
Das default-dir, wohin nach einigen Sekunden die Datei test.txt gespielt
wird, ist
C:\Users\xxx\AppData\Local\VirtualStore\Program Files
(x86)\Tesseract-OCR
Super Erkennungsrate! Ich bin baff.
Es kann allerdings keine PDF lesen, die muss man vorher mit ghostscript
in ein Bildformat umwandeln.
Unser Schlaumeier schrieb:
> Datei -> speichern unter -> TXT-File auswählen. Speichern Freuen.
Funktioniert das auch, wenn der "Text" im PDF ein Bild ist? Darum geht
es doch hier.
Naja. Tesseract ist eine pure Zeichenerkennung. Gut geeignet um z.B.
Zähler abzulesen oder KFZ-Nummern zu scannen.
Mit praxistauglichem OCR im Sinne von (viele) Dokumente scannen und
"durchsuchbar" machen bzw. Text-Extraktion hat man auf diesem Level aber
nur wenig Freude.
Da gehört noch eine datenbank- oder gar KI-basierte Semantik hinten
dran, die dann solch gern gemachten Erkennungsfehler wie z.B. "rn" wird
zu "m" oder aus "Ball" wird "Ba11" behebt, sonst wirst du wahnsinnig ...
Wir verwenden in der Firma z.B. "Readiris" und sind rel. zufrieden. In
einer ähnlichen Liga spielen Softwares wie "FineReader" oder "OmniPage".
Wie gesagt, auf die intelligente Nachbereitung kommt es ganz
entscheidend an.
Die oft in besseren Kopierern/Scanneren (z.B. von Toshiba oder Xerox)
eingebauten Erkennungen sind dagegen zielmich lausig.
Der Gag, den David Kriesel beim CCC beschreibt ist zum Glück inzwischen
auch vorbei. War aber sehr unterhaltsam, obwohl es dort eigentlich nach
außen hin nur ums Kopieren geht:
https://www.youtube.com/watch?v=7FeqF1-Z1g0
Frank E. schrieb:> Wie gesagt, auf die intelligente Nachbereitung kommt es ganz> entscheidend an.
Das klappt nur so gut, wie das benutzte Wörterbuch ist. Es ist ein
himmelweiter Unterschied, ob Du bekannte Weihnachtsmärchen oder
Stücklisten bearbeiten möchtest.
eProfi schrieb:> Funktioniert das auch, wenn der "Text" im PDF ein Bild ist? Darum geht> es doch hier.
NEIN und darum geht es nicht lt. TO.
Zitat :
Paul schrieb:> Weil ich den Text haben möchte, habe ich auf diverse Seiten> im Internet Online-OCR Umfwandlungen bemüht. Die Ergebnisse sind meist> ganz gut.>> Die ausgegebene Datei war jeweils wieder ein pdf-Dokument. Wenn ich das> öffne, kann ich den Text auch tatsächlich markieren und in die> Zwischenablage kopieren.>> Jetzt das Problem:>> Statt der pdf-Datei hätte ich lieber eine Word-Datei, die ich weiter> bearbeiten kann. Natürlich könnte ich jetzt Abschnitt für Abschnitt> rüber kopieren. Das wäre aber umständlich und nur der letzte Ausweg.
Er hat also eine PDF mit echten Buchstaben drin zurück bekommen. Dazu
ist meine Anleitung richtig.
JEDE mir bekannte OCR liefert automatisch Text (TXT) Dateien ab.
Mal ordnen:
Text-Extraktion, um an den enthaltenen Text zu gelangen, z.B. um daraus
ein neues Textdokument zu erhalten.
- aus PDF mit bereits enthaltenem Text. PDFs, die aus Layout-Programmen
oder Texteditoren exportiert werden, enthalten bereits lesbare
Text-Objekte. Hier braucht man kein OCR, sondern nur passende Werkzeuge
wie z.B. Apache PDFBox oder die DynaPDF-Lib bzw. Prgrammen, die sowas
intus haben, um des Textes habhaft zu werden
- aus PDF, das aus einem Scan stammt. Nur weil z.B. eine
Scanner-Software ein gescanntes Bild eines Textdokumentes in einen
PDF-Container packt, enthält es noch lange keinen Text. In diesem Falle
muss das Bild-Objekt extrahiert oder gleich das gesamte PDF neu
gerendert und dann dem OCR-Prozess zugeführt werden
- Gleiches gilt für Scan-Softwares, die andere Bildformate liefern. Wenn
man weiss, dass man anschließend OCR machen will, ist evtl. JPEG nicht
unbedingt optimal (besser TIFF oder PNG), wegen dessen Problemen mit
scharfen Kanten
Durchsuchbare PDF erstellen
In diesem Falle soll aus PDF-Dokumenten, die bisher nur das Bild eines
Textdokuments enzhalten, eines mit (von Software) durchsuchbaren Texten
erstellt werden, z.B. für die Verschlagwortung in
Dokumenten-Datenbanken.
In diesem Falle muss die Software gut mit PDF umgehen können, denn es
wird in dem vorhandenen PDF zusätzlich eine Ebene "eingezogen", die den
per OCR gefundenen Text enthält. Dieser ist entweder transparent (stört
also beim Betrachten des Dokuments nicht) oder liegt hinter dem
Bildobjekt ...
