Dotaz: Převod naskenovaného PDF na obrázek

[Sedeki]

Mám velké množství studijních materiálů v PDF, bohužel jsou to hnusné oskenované stránky. Pro čtení na obrazovce to tedy moc není a pro tisk nemůžu použít jednoduše pdftotext. Vytisknout to ale jako 300 stran obrázků je o toner, navíc čitelnost díky flekům je stejně mizerná jako na obrazovce.

Jednotlivé znaky jsou docela výrazné, takže použít OCR by nebyl problém. Jenomže žádný z mě známých OCR pro Linux PDF nepřečte a stejně tak žádný z programů na čtení PDF nemá hromadný export do PNG nebo obd. v pořádné kvalitě. Pokud třeba v KPDF (navíc ručně) označím část textu a dám ho vyimportovat jako PNG, vyjde, asi kvůli nastavené vysoké kompresi jen barevný flek.

Jak to provést?

Odpovědi

[Zdeněk Burda]

convert soubor.pdf soubor.png

convert je součástí balíku ImageMagick

[#Tom]

Mně se osvědčil příkaz pdftoppm z balíku Xpdf. Převádí na obrázky i běžné (vektorové) PDF soubory.

[vend]

Jde to i pomocí GhostScriptu. Pokud zadáš jako -sDEVICE=jpeg
a -sOUTPUTFILE=obrazek.jpg , tak dostaneš výstup (v souboru obrazek.jpg) jako jpeg.

Viz: man gs

[Peter Golis]

zaujimala by ma ucinnost konverzie daneho dokumentu ulozeneho do formatu JPG a skonvertovaneho na text pomocou OCR. nie preto ze by som chcel byt neslusny, ale spomenul som si na stare vysokoskolske skripta kopirovane pomocou cyklostylu.

[#Tom]

Zase jsem sem jednou poslal ptákoviny. Zatímco Ghostscipt (a ImageMagick, který se obslouží přes něj) i pdftoppm se namáhají s vykreslováním PDF do paměti a následným ukládáním obrázků do souboru - a to trvá celkem dlouho - takové pdfimages (rovněž z Xpdf balíku) uloží pěkně všechny rastrové obrázky z PDF do souborů ve formátu PPM, PBM či JPEG a hlavně rychle. Není třeba se obtěžovat s DPI a podobnými věcmi.

[Sedeki]

Díky, uvedené možnosti fungují dobře. A co se týče úspěšnosti OCR (ocrad) u daných dokumentů je to cca od 80 do 92 procent + ledacos doplní aspell. Na to, jak nekvalitní je předloha (naprosto porušené kompresí + některá menší písmenka jsou snad z 8x5 pixelů) je to docela úspěch a výsledek se dá docela obstojně použít.