Full-textové prohledávání komiksů a jiných obrázků

V bitmapových obrázcích bývají často ukrytá užitečná data, která jsou ovšem běžně nepřístupná. V článku Full-textové prohledávání komiksů a jiných obrázků (dostupné přes Tor) autor prakticky ukazuje, jak si postahovat komiksy a rozpoznat v nich text pomocí OCR nástroje Tesseract. Následně Ghostscriptem vkládá všechny komiksy do jednoho velkého PDF, ve kterém jde vyhledávat text (který byl původně jen shlukem grafických bodů v bitmapách). Uvedený postup lze použít i k užitečnějším věcem, jako např. indexování nestrukturovaných dat na disku.

24.3.2019 22:55 | Monika Kokešová | Zajímavý článek

Komentáře

[Jendа]

0) Hm, to abych si udělal nějaké automatické proxování do .onion, protože kdo to má furt ručně přepínat.

1) Podařilo se vám někomu OCRkovat SMBC Comics? Tesseract s defaultními parametry dává ten jeho „rukopis“ jenom někdy. Asi by bylo dobré ho zkusit nějak dotrénovat.

2) Spíš než PDF by pak bylo hezké dělat z toho nějakou skutečnou fulltextovou DB.

3) Stejně jako na Rootu, dávám odkaz na svůj podobný návod.

[Monika Kokešová]

Hm, to abych si udělal nějaké automatické proxování do .onion, protože kdo to má furt ručně přepínat.

My tedy používáme dva prohlížeče nebo samostatné virtuálky, ale můžeš si na to udělat PAC soubor, který ti bude vybírat proxy podle domény - je to vlastně jen kousek javaskriptu...

[jiwopene]

ad 0)

To, že používám tor pořád jsem zjistil asi po měsíci, když jsem klikl na odkaz na *.onion.

[debian+]

Strc si tu agitaci za TOR za klobouk

[Roman]

jednou bude Tor svobodnejsi a pouzitelnejsi nez mainstream internet...

[debian+]

viz toto abys vedel co me vytaci.

[posajdoasjdo]

to je lokalni adresa...

[debian+]

Ty jsi genius! Hlavne to rozbiji myslenku hypertextu.

[jsoaidjoi]

co se nám básník snaží říci?

[jsoaidjoi]

nesnaží, už to řekl.

[asdasdasd]

jakoze odkazal na adresu, ktera podle standardu neni pristupna z internetu a pak si stezuje, ze to je chyba v navrhu internetu? tak to jo

[Monika Kokešová]

A když třeba některé stránky nejsou dostupné z čínských sítí, tak si taky budeš stěžovat u těch, kdo na ně odkazují? Chápu, že Tor nebo třeba alternativní TLD jsou pro některé lidi novinka nebo o nich dokonce ještě neslyšeli, ale jde jen o zvyk a o konfiguraci tvého prohlížecího zařízení nebo tvé sítě (DNS servery, routery).

Souhlasím, že Tor je trochu nesystémové řešení, protože přeskakuje standardní IP stack a nedá se normálně routovat... ale na tom je právě potřeba pracovat.

[debian+]

A neco si kvuli tobe konfigurovat nebo pouzivat dva prohlizece jako ty mam proc? Jsi jako nekdo, kdo zacne z niceho nic na vsechny mluvit somalsky, protoze kazdy se to prece muze naucit nebo si najmout tlumocnika. Je to neslusne - pouzivej odkazy nativni pro sit kam prispivas a neotravuj druhe.

[debian+]

Nepouzivaj mnou uzivany nick! Vymysli si svoj originalny!

[debian+]

Originalni :)))

[Ovoce]

No z Číny asi fakt hodně lidí bude sjíždět abclinuxu. Jako OK, kdyby to byla politická věc, čínskej režim je na hovno, ale fakt zrovna tuhle blbost/floss software jako čínský firewally blokujou?

Za mě taky je to IMHO pěkná blbost, díky strčte si. Trošku moc ten e-autismus prožíváte.

[Onanym]

Nicméně Tor je stále jen jedna z mnoha služeb v rámci mainstream Internetu a na něm zcela závislý

[Max]

No, to nevím. Historie zatím ukázala, že kdo má nejvíce exit nodů, ten tomu velí (= má sílu deanonymizovat uživatele). A vzhledem k nutnosti exit nodů, bude Tor vždy "pomalý".
Zdar Max

[/dev/null]

nejaka lepsie zabezpecena alternativa k TORu ?

[Max]

Já jen poznamenal, že Tor není žádná výhra a nezaručuje 100% anonymitu. Možná je to v současné době jedna z nejlepších možností, ale není ideální a těžko říci, zda někdy bude. Neodsuzuji ho, jen poznamenávám, že to není tak růžové, jak o tom někteří mluví.
Zdar Max