Σημειώσεις σε PDF

[jim_p]

Αυτο δεν εινια λαθος κωδικοποιηση. Αυτο λεγεται "το ocr τα εκανε σκ@τ@" και δεν μπορεις να κανεις κατι αλλο.

[heavymetallicus]

Μια χαρά δούλεψε το OCR.Αλλά στο pdf που βγαίνει  από το scanner,θέλει να αυξήσεις την ανάλυση του,να το "καθαρίσεις" και μετά να δουλέψεις το Tesseract.

Λοιπόν:Στην αρχή δοκίμασα να κάνω extract τα text που περιέχει το pdf μου. <pdftotext "name".pdf out.txt>.Δεν πέτυχε!

Ετσι λοιπόν άλλαξα την ανάλυση του εγγράφου. <convert -density 300 "name".pdf -depth 8 -strip -background white -alpha off out.tiff>.Με την εντολή αυτή μετατρέψαμε το PDF σε εικόνα TIFF υψηλής ανάλυσης.

Τέλος με την <tesseract out.tiff output>,πήρα το αποτέλεσμα που ήθελα.

Το tesseract θα σαρώσει την εικόνα out.tiff και θα αποθηκεύσει οποιοδήποτε εντοπισμένο κείμενο,στο αρχείο "output.txt".Το πρόθεμα .txt προστίθεται αυτόματα στο output.