Der Osterurlaub 2022 ist um - Zeit, die Ergebnisse meines Projektes für diese Zeit vorzustellen:

Ich führte die Analyse auf Ubuntu 20.04 mit der durch die offiziellen Paketquellen zur Verfügung gestellten Version von Tesseract durch. Zum Test benutzte ich beispielsweise dieses Bild hier:

Beispielbild

Zunächst wollte ich feststellen, ob die in dem Artikel angegebene Vorgehensweise tatsächlich erfolgreich wäre, um die Regionen des Dokumentes mit Text zu finden. Dazu erstellte ich ein entsprechendes Python-Skript, das in einem dafür vorgesehenen Repository auf Gitlab veröffentlicht wurde.

Wie man am Ergebnis leicht sehen kann, funktioniert das tatsächlich so wie versprochen:

Beispielhaftes Ergebnis des Python-Skripts zum Finden der Regionen

Damit könnte man (und das Python-Skript habe ich entsprechend erweitert) eine UZN-Datei schreiben, die die gefundenen Regionen beinhaltet. Tatsächlich tut meine Variante des Skripts noch etwas mehr: sie schreibt auch die Konfidenz mit in die Datei - diese zusätzliche Spalte wird von Tesseract beim Einlesen der Datei ignoriert.

Ich habe kurz überlegt, ob ich mich tiefer mit der Materie der GUI-Programmierung in Python beschäftigen sollte und habe davon Abstand genommen - statt dessen habe ich ein Java-Framework aus meiner Anfangszeit als Programmierer benutzt und dieses nach einem größeren Refactoring in einer Anwendung eingesetzt, die solche Dateien lesen und verstehen kann - Damit lassen sich dann die von Tesseract gefundenen Regionen manipulieren - man kann welche löschen, neue hinzufügen und die Größe und Position definierter Regionen ändern:

Screenshots des Editors zur Manipulation von Regionen

Damit kann man dann die gewünschten Regionen festlegen, die erkannt werden sollen und das Ergebnis wiederum als UZN-Datei speichern.

Damit habe ich persönlich meine Neugierde gestillt - es kann sein, dass ich den Editor für die Regionen in der Folgezeit noch ein wenig poliere und dann ebenfalls bereitstelle - genauere Pläne habe ich dafür aber noch nicht.

Warum man das alles benutzen sollte? Ich habe bereits einmal über verschiedene Anwendungen zum Dokumentenmanagement geschrieben - hier ist es aber meistens so, dass die Anwendungen Dokumente aus einem bestimmten Verzeichnis importieren und - abgesehen vielleicht vom Dokumenttyp - keine weiteren Metadaten setzen. Meine Idee war nun, zunächst entsprechende Templates als UZN-Dateien zu erstellen und vor dem Import in das Dokumentenmanagementsystem diese Templates auf das zu importierende Dokument anzuwenden - wenn das Dokument mit dem Template verarbeitet werden kann (an allen in der UZN-Datei angegebenen Positionen ist Text gefunden worden), werden die gefundenen Texte extrahiert und als Metadaten zusammen mit dem Dokument gespeichert. Falls ein Template nicht auf das Dokument passt, wird einfach das nächste versucht.

Damit hätte man ein flexibles System zur automatischen Indizierung eingehender Dokumente.

Artikel, die hierher verlinken