Dotaz: ABBYY FineReader PDF for Mac na Linux

[Jan]

Dá sa použiť OCR ABBYY FineReader PDF for Mac na Linux Mint? Dík

Odpovědi

[Max]

Mac je nekompatibilní s Linuxem, takže to nepůjde. Proto ostatně existuje i projekt darling, který je něco jako wine, ale na spouštění binárek Macu. Je to ale v zárodku, GUI aplikace údajně nefungují.

Pokud to nutně potřebuješ na Linuxu, tak zkus verzi pro Windows spouštěnou pod wine.
Zdar Max

[czjaromir]

Tak jsem se díval a taky bych doporučil tu verzi pro win spustit pod wine.

[Gréta]

maj tam nějakou trial verzi hele tak to mužeš zkusit ale asi ti to nepojede :O :O

[Want]

Proč? Linux má k dispozici lepší nástroje.

[-nd-]

Nejvíc spokojenej jsem s tesseract.

[Vit]

No jenze Abbyy funguje na 90% a s Tesseract dam stezi 60%. A to pritom parsuji scany starych textu z T602 editoru, tedy pomerne dobre citelne. Proste na OCR opensource durazne nedoporucuji, tam jde o kvalitu.

[Peter Golis]

T602 mal veľmi jednoduchý textový formát, ale v dobe jeho kraľovania sa tlačil na ihličkovej tlačiarni aj keď s obmedzeným množstvom fontov. Odporučil by som znížiť rozlíšenie skenovania, ak nie sú zdrojové súbory k dispozícii.

[Want]

Odporučil by som znížiť rozlíšenie skenovania, ak nie sú zdrojové súbory k dispozícii.

Předpokládanám, že jsi to radil především kvůli tomu, aby se tečky slily, jinak je to pouze cesta, jak ztratit další procento obrazové informace.

Správná cesta je získat co nejlepší sken, a pak laborovat s postprocessingem.

[Peter Golis]

Áno, samozrejme. Keď som skenoval obyčajné časopisy (ofsetová tlač), tak sa pri príliž veľkom rozlíšení nechytalo OCR. Keď som to dal na nižšie, tak to fungovalo v pohode.

Ak skenuje niečo z ihličkovej tlačiarne, tak bude na tom podobne. Len rozlíšenie bude musieť byť ešte menšie nech na tom nepohorí OCR.

[Aleš Kapica]

Len rozlíšenie bude musieť byť ešte menšie nech na tom nepohorí OCR

Je to cesta, ale nikoliv nezbytně nutná. Během postprocessingu se to dá vyřešit filtrem co rozmázne skvrny podle barvy tím pádem lze cíleně „slít” pouze ty tečky. Pak už si s tím OCR poradí. Největší blbost je, tyhle materiály skenovat černobíle, nebo ve stupních šedi. Nejrychlejší je to mastit foťákem.

[Peter Golis]

Ten foťák to obvykle rozmaže aj sám, a zleje to do machule. Holt, výstup z 20Mpix pinole kamery s výstupom jpeg vyzerá ako fotka len do rozmeru pohľadnice. Ale je to najjednoduchšie riešenie na malý objem papiera pre digitalizáciu.

[Pavel 'TIGER' Růžička]

Nebyla by nějaká zkušební stránka?

[Vit]

Bohuzel jsou to pravni a soudni materialy s razitkem duverne ci tajne Vetsina originalu byla tisknuta 24 jehlickovymi tiskarnami, novejsi laserovkou, nektere jsou fotokopie. S kvalitou scanu fakt problem neni, zabyvam se tim uz snad 2 roky. Jde o software. Abbyy je kralem, predtim se jeste pouzivala Recognita. Zadny opensource se kvalitou OCR k temto nepriblizil.

[Want]

Já se tím zabývám 20 let, takže si troufám říct, že tomu pořádně nerozumíš. A používat na tyhle materiály PDF je pitomost.

[Vit]

Ja nikde netvrdim ze pouzivame jen pdf To mozna puvodni tazatel. Jak poznamenava Alesuv prispevek DjVu ma nejake vychytavky navic, hlavne velikost je zajimava. Vysledek ukladame:

• pdf (searchable, s txt vrstvou, podpis) - bezne pouziti klientem
• djvu (taky s txt vrstvou, timestampy, verzionovani, podpis) - archiv a machine learning
• originalni scany (tiff, png) s OCR txt, html... proste co pandoc da - archiv, pro digitalni arecheology kdyby v budoucnu prisel nejaky lepsi format ci korekce chyb

[Aleš Kapica]

8-D To byl můj příspěvek, který jsem psal na mobilu. Ale jak jsem napsal jen o kousek níže. Výsledek OCR hodně ovlivňuje postprocessing. Proto je také můj výsledek OCR (používám výhradně opensource) poměrně kvalitní. U DjVu ho totiž pouštím na vrstvu popředí, kde je pozadí s nejrůznějším bordelem už odfiltrované.

Další věc je, že vyrábím DjVu přes svůj nástroj djvutool, a přes volbu algoritmu a dalších parametrů mohu výsledek dost výrazně ovlivnit.

V minulosti jsem používal i zmíněné balíky pro win prostředí. Podle mne už dávno zastaraly. V linuxovém prostředí je výborný nástroj pro zpracování PDF, který podporuje i OCR Master PDF Editor, který využívá právě tesseract. Dokonce má i nějakou podporu učení.

Já toho moc nevyužívám. Stránky na které pouštím OCR to většinou neopotřebují. Přeci jenom těch textů není zas tolik. Jen sem tam nějaká knížka. Ale jak jsem napsal, 20 let zkušeností.

[Aleš Kapica]

Kdyby tě to zajímalo, tak před 3 lety jsem si zpracoval do jednoho DjVu všechny Denní situační zprávy FMV, z webu Ústavu pro studium totalitních režimů, což jsou asi podobné materiály, s jakými pracuješ ty.

Bohužel jsem neměl k dispozici originální skeny, takže jsem musel vyjít již z těch PDF souborů, proto má ten výsledný soubor, ve kterém je pohromadě všech 5401 stránek, 194MB – včetně textové vrstvy. A to byl také důvod proč jsem to dělal. V těch originálních PDF žádná textová vrstva není a já chtěl mít možnost fulltextového vyhledávání. Netvrdím, že můj výsledek má 100% rozpoznání celého obsahu, ale těch 99,5% to bude. Nehledě na to, že pokud by někdo moc chtěl, optava textové vrstvy není složitá.

Ovšem ten hlavním důvod, proč je na tohle DjVu lepší než PDF je ten, že lze do souboru vložit kontrolní součty všech vrstev, podepsané důvěryhodným certifikátem, takže je prakticky vyloučeno dodatečné zfixlování obrazové informace.

[Love_Dali]

děkuju za zajímavej link :)

[Filip Jirsák]

Ovšem ten hlavním důvod, proč je na tohle DjVu lepší než PDF je ten, že lze do souboru vložit kontrolní součty všech vrstev, podepsané důvěryhodným certifikátem, takže je prakticky vyloučeno dodatečné zfixlování obrazové informace.

Zatímco v PDF můžete podepsat verzi dokumentu důvěryhodným certifikátem, pak přidat novou verzi s textovou vrstvou (novou verzi můžete případně také podepsat). A pak můžete přidávat další verze s úpravami textové vrstvy. Takže je prakticky vyloučeno dodatečné zfixlování obrazové informace. V čem je tedy rozdíl oproti DjVu?

[Aleš Kapica]

Především v rychlosti práce s dokumentem a velikosti.

Zatímco v PDF můžete podepsat verzi dokumentu důvěryhodným certifikátem, pak přidat novou verzi s textovou vrstvou (novou verzi můžete případně také podepsat). A pak můžete přidávat další verze s úpravami textové vrstvy.

Přiznám se, že zrovna tomuto moc nerozumím. Vím jak vypadá PDF a není mi jasné proč by měla být verzována zrovna textová vrstva, která má za cíl usnadnit vyhledání informace v obrazové vrstvě.

Z DjVu dokumentu nikdy nelze vyrobit dokument, který by bylo možné zaměnit s originálem. To v prvé řadě. Je technicky nemožné, z něj vytáhnout obrazovou vrstvu a dodatečně do ní vlepit něco jiného. Což u PDF neplatí. A pokud to PDF bude falšovat osoba s přístupem k důvěryhodnému certifikátu, neodhalíte nic.

DjVu formát navíc umožňuje vlepit i originální sken v jpeg2000. Prakticky se to ale nedělá. Prohlížeče s tím nepočítají a výsledný soubor by byl moc velký, takže např. archive.org udržuje originální skeny v tomhle formátu v samostatných archivech.

[Filip Jirsák]

Pokud má někdo privátní klíč k tomu certifikátu, může si vyrobit a podepsat jakýkoli soubor, i ve formátu DjVu. Jenom mne zajímalo, zda DjVu umí z hlediska zabezpečení obsahu něco, co PDF neumí – původní komentář tak vyzněl. Takže neumí. To mi stačí.

[Want]

Kontrolní součet není certifikát.

[Filip Jirsák]

Není. Já i Aleš Kapica ovšem píšeme o podpisu, který je založený na certifikátu.

[Want]

Jenže já měl na mysli certifikátem podepsaný seznam kontrolních součtů. DjVu sice má i secure variantu, ale ta nebyla nikdy opensource a je prakticky mrtvá.

[-nd-]

Teď vyšla 5

https://github.com/tesseract-ocr/tesseract/releases/tag/5.0.0

[User682]

Nemam ozkouseno a to na ABBY SW delam.

Jednu dobu jsme ale uvazovali o ABBYY CLI OCR for Linux, ale ted to vypada, ze se vse tlaci do cloudu. S tim, ze nejake GUI nastroje pouze na Windows.

Hodne me prekvapil Tesseract 4 a 5. Ale porad to ma nejake mouchy.

Zauvazoval bych o Amazon OCR v cloudu. Provolat nejake webservice a dostat z toho data. Ceny byly nekde 10 haleeru za stranku ci neco podobneho, kdyz jsem to studoval.

gf