Dotaz: OCR a PDF s textovou vrstvou

[jsk]

Zdravím,
potřebuji protáhnout jednotky tisíc stran nafoceného textu (anj, welšina gaelština) přes OCR. Ve výsledku potřebuji PDF s textovou vrstvou. ABBYY FineReader je fakt skvělý, ale cena pro jednorázové použití je fakt značná.
Nevíte o finančně přístupnějším řešení, děkuji.
Pepa

Odpovědi

[Monika Kokešová]

Nedávno tu o tom byla zprávička: Full-textové prohledávání komiksů a jiných obrázků. Tzn. OCR Tesseract.

[mpx]

.... mozno usetrim cas na hladanie

tu sa da "odrazit" na tesseract

https://github.com/tesseract-ocr/tesseract/wiki/User-Projects-%E2%80%93-3rdParty

pouzil som "Linux-Intelligent-OCR-Solution(lios" na Manjaro

ja som spokojny

[mhepp]

scantailor na „vyčištění“ skenovaných obrázků a ocrmypdf na doplnění textové vrstvy.

[Aleš Kapica]

Ve výsledku potřebuji PDF s textovou vrstvou.

Fujtajxl.

Já to dělám takhle. Protože si tu vrstvu pak můžu poeditovat, vyházet nesmysly a opravit špatně rozeznané texty.

[Käyttäjä 11133]

Protože si tu vrstvu pak můžu poeditovat, vyházet nesmysly a opravit špatně rozeznané texty.

Jo, protoze to v Acrobatu nejde...

[Aleš Kapica]

Closed source mě nezajímá.

[Käyttäjä 11133]

PDF specifikace je otevrena a hromada OSS nastroju take existuje.

[Want]

O těch jsi ale nepsal. PDF s textovou vrstvou je bastl. Bohužel se pod tou zkratkou skrývá několik různých typů dokumentů, které většina uživatelů není schopna rozlišovat, jako v dobách modemů.

Jenže tady nejde o data. DjVu je pro zpracování přes OCR vhodnější, protože je-li dokument udělaný správně, má odseparovanou vrstvu vrstvu popředí, ve které je většinou text, což výrazně zvyšuje úspěšnost OCR.

Navíc jeho textová vrstva je navržena tak, že může obsahovat nejenom originální text, ale i jeho překlady. A textovou vrstvu lze doplnit i u dokumentů, které přes OCR nikdy nezvládne, jako jsou např. rukopisy atp.

[Want]

Naopak udělat PDF s textovou vrstvou, jak to chce tazatel, je z DjVu dokumentu brnkačka. DjVu totiž může mít i vrstvu ve které je originální sken v JPEG-2000. Takže je technicky možné udělat takový dokument i bez ztráty kvality obrazu.

[Jendа]

https://brmlab.cz/user/jenda/pdfwarez

[Filip Jirsák]

ABBYY FineReader má i online řešení, ale v porovnání s verzí Standard moc neušetříte. Ale služeb „online OCR“ je spousta.