OCRmyPDF - Vorsicht!

vorhergehende Artikel in: Linux Rants
13.12.2014

Ich habe voller Freude die Kunde von OCRmyPDF vernommen - eine Lösung, gescannte PDFs mit einer durchsuchbaren Textlage zu kombinieren. Leider muß ich nach meinen Tests zur Vorsicht raten...

Ich habe das Paket wie in diesem Artikel beschrieben installiert. Dabei traten keine Probleme auf - das machte mich zuversichtlich. Die probeweise Verarbeitung eines englischsprachigen Texts war auch sehr vertrauenerweckend.

Aber der deutsche Test zeigte die Grenzen der Lösung: Ich suchte mir im Netz der Netze PDF im Betrachter PDF im Betrachter mit selektiertem problematischen Bereich eine gescannte TIFF-Datei, wandelte diese in ein A4-PDF um und ließ die Lösung darauf los. Ergebnis: die Erkennung war nicht hundertprozentig zuverlässig: nicht jedes Vorkommen des Suchbegriffes wurde entdeckt. Das läßt sich auch sehr gut an den folgenden beiden Screenshots nachvollziehen: links das PDF im Betrachter, rechts das PDF im Betrachter: das problematische Wort wurde selektiert, dadurch wird die normalerweise unsichtbare Textlage sichtbar und man sieht, daß die Erkennung hier fehlerhaft war.

Der Vollständigkeit halber sei noch hinzugefügt, daß auch das Vergrößern des Dokuments auf A3 bei der Erzeugung keine Verbesserung brachte - jetzt wurden mit dem gleichen Testfall (Suche nach gemäß) sogar noch zwei Soll-Fundstellen weniger gefunden. Auch die Optionen -c und -d halfen nicht wesentlich weiter - im Vergleich zu A4 wurde nun nur noch eine Soll-Fundstelle weniger gefunden. Das zeigt aber auch, daß man diese beiden unbedingt benutzen sollte, auch wenn sich die Verarbeitungszeit dadurch nochmals verlängert.

Noch ein Tip: Rechner mit mehreren Kernen profitieren von diesen bei der Benutzung von OCRmyPDF nur, wenn das Werkzeug mehrfach nebeneinanderher gestartet wird. Das Werkzeug an sich benutzt nur einen Kern.

Fazit: Schönes Werkzeug, allerdings sollte man sich nicht darauf verlassen, daß wirklich alle Auftreten des gesuchten Begriffs gefunden werden.

Alle Artikel rss Wochenübersicht Monatsübersicht Codeberg Repositories Mastodon Über mich home xmpp


Vor 5 Jahren hier im Blog

  • Ticketsysteme sind lebende Wesen

    29.03.2020

    Hier zunächst wieder eine Triggerwarnung: Dieser Artikel wird meine Meinung abbilden. es kann sein, dass sie dem einen oder anderen nicht gefällt - das ist mir aber egal. Und wenn hier irgendwelche Schneeflocken mitlesen, dann sind die selber schuld.

    Weiterlesen...

Neueste Artikel

  • Weitere Experimente mit dem Clifford-Attractor

    Ich berichtete hier bereits über Experimente mit dem Clifford-Attractor, allerdings war ich noch Experimente unter geringfügig geänderten Parametern schuldig...

    Weiterlesen
  • Neues Feature in meinem Static Site Generator: externe URLs

    Es wurde wieder einmal Zeit für ein neues Feature in meinem Static Site Generator mittels dessen ich ja auch meine Heimatseite im Zwischennetz gestalte und verwalte...

    Weiterlesen
  • Eine Bestandsaufnahme

    Es kamen mehrere Faktoren zusammen: die Tatsache, dass ich nicht mehr ganz so kürzlich die 50 überschritten habe hatte ebenso darauf Einfluss wie das heutige trübe Wetter und auch der Fakt, dass ich bereits beinahe alle Wochenendpflichten erledigt habe. Der letzte Stein des Anstoßes war dann aber, dass sich heute zum 125. Mal der Geburtstag von Erich Fromm jährt.

    Weiterlesen

Manche nennen es Blog, manche Web-Seite - ich schreibe hier hin und wieder über meine Erlebnisse, Rückschläge und Erleuchtungen bei meinen Hobbies.

Wer daran teilhaben und eventuell sogar davon profitieren möchte, muss damit leben, daß ich hin und wieder kleine Ausflüge in Bereiche mache, die nichts mit IT, Administration oder Softwareentwicklung zu tun haben.

Ich wünsche allen Lesern viel Spaß und hin und wieder einen kleinen AHA!-Effekt...

PS: Meine öffentlichen Codeberg-Repositories findet man hier.