Dieses Beispiel zeigt, wie ein Buch gescannt und daraus ein pdf bzw. ein Ebook erstellt wird. Folgende Programme wurden verwendet:
| Name | Beschreibung |
|---|---|
| tesseract | Kostenloses Programm zur Texterkennung, um aus Bilddateien (.tiff) Textdateien (.txt) zu erstellen. |
| Vim | Beliebter Editor in UNIX zur Bearbeitung des Rohtexts. Stattdessen können jeder andere Editor oder jede Skriptsprache verwendet werden, die mit "regular expressions" zurecht kommen. |
| Latex | Setzen des Buches zum Erstellen von pdf. |
Es tut wohl jeder Scanner. Die großen Büroscanner erleichtern einem die Arbeit, weil sie sehr schnell sind und automatisiert mehrere Seiten an eine Emailadresse versenden können. Man braucht nur noch umblättern und auf Scannen drücken. 500 Seiten lassen sich so in einer Stunde oder schneller bewerkstelligen.
| Einstellung | Beschreibung |
|---|---|
| tiff | Als Outputformat des Scanners müssen .tiff Bilder verwendet werden. Die einzelnen Bilder oder Junks von Bildern am besten mit 1.tiff, 2.tiff, ... durchnummerieren. |
| 400 dpi | Diese feine Auflösung hat sich zum Scannen von schwarzweiß Büchern als optimal herausgestellt. |
| Format | Wähle das richtige Format, falls der Scanner das unterstützt. Für ein A5 Buch wähle zum Beispiel A4 Querformat. So können immer zwei Buchseiten auf einmal gescannt werden. |
Texte müssen heute nicht mehr abgetippt werden. Texterkennungsprogramme analysieren Bilder, die Text enthalten (Scan eines Buches) und erstellen daraus einen Rohtext.
Die kostenlose OCR Software "Tesseract" von Google liefert sehr gute Ergebnisse. Die folgenden Anweisungen zeigen die Installation und Handhabung von Tesseract unter UNIX (Ubuntu). Die Software ist jedoch auch für Windows erhältlich.
sudo apt-get install tesseract-ocrsudo apt-get install tesseract-ocr-deuFür deutsche Texte.
- Einzelnes Bild:
tesseract /path/to/image.tif output -l deu.
Befinden wir uns im Ordner der gescannten Dateien, würde der Befehltesseract 1.tif 1 -l deuaus der tif-Datei mit dem Namen1.tifeine Textdatei1.txterstellen. Die language option-l deulegt fest, dass es sich um einen deutschen Text handelt (ohne werden z.B. keine Umlaute erkannt). - Menge von Bildern:
for i in {1..20}; do tesseract $i.tif $i -l deu; done.
Angenommen, in einem Ordner befinden sich 20 tif-Dateien benannt mit 1.tif, 2.tif, ..., 20.tif. Dieser Befehl würde daraus 20 Textdateien mit dem erkannten Text erstellen. - Zusammenfügen aller Textdateien in einem Ordner:
cat *.txt > mein_Buch.txt.
OCR mit tesseract funktioniert erstaunlich gut. Trotzdem kommt es zu Fehlern und außerdem müssen Silbentrennungen entfernt werden. Mithilfe sogenannter Regulärer Ausdrücke (engl. regular expressions) kann man hier viel erreichen.
Im einfachsten Fall ist ein regulärer Ausdruck wie eine normale Textsuche. Zum beispiel würde /haus/ das "haus" in Baumhaus finden.
Mit regulären Ausdrücken kann jedoch nach jedem erdenklichen Muster in Texten gesucht werden. Zum Beispiel würde /[Hh]aus/
sowohl auf Haus, wie auch auf Baumhaus passen.
Diese Datei zeigt alle regulären Ausdrücke, die zur Verbesserung des Rohtextes verwendet wurden.
Es sind Ersetzungsbefehle für den Texteditor Vim, die darin enthalten
regulären Ausdrücke können jedoch auch in anderen Editoren oder in Programmiersprachen verwendet werden.
Der Befehl vim -s substitutions.vim 1.txt würde alle Ersetzungen auf die Datei 1.txt anwenden.
| Regulärer Ausdruck | Beschreibung |
|---|---|
%s/2u/zu/g |
Ersetze 2u mit zu im ganzen Dokument. |
%s/und\./und/g |
Ersetze und. mit und im ganzen Dokument. Da der Punkt in regulären Ausdrücken für jedes Zeichen steht, muss mit "\" escaped werden, um den wirklichen Punkt zu suchen. |
%s/\([a-zA-Z]\)1\([a-zA-Z]\)/\1i\2/g |
Oftmals erkannte tesseract innerhalb von Wörtern ein i fälschlicherweise als 1. Das wollen wir natürlich nicht, können aber auch nicht pauschal alle einsen mit i ersetzen. Dieser Ausdruck sucht deshalb nach Wörtern die eine eins zwischen zwei Buchstaben haben und ersetzt diese entsprechend. Die runden Klammern in ([a..z]) sind sogenannte "capture groups", die das gesuchte Zeichen speichern und die beim ersetzen mit \1 (=1. capture group) referenziert werden können. Somit wird zum Beispiel e1n zu ein und h1n zu hin. |
%s/\([^ ]\+\)-\n\([^ ]\+\)/\r\1\2/g |
Silbentrennungen sollen entfernt werden, und zwar so, dass vor dem getrennten Wort ein neuer Absatz eingefügt wird. Es wird nach Wörtern gesucht, die einen Trennstrich gefolgt von einem Absatz enthalten. Der Trennstrich wird entfernt und stattdessen wird vor dem Wort ein neuer Absatz eingefügt. |
Zum Setzen des Buches, also zur Erstellung von pdf oder anderen Formaten aus reinem Text, wird Latex verwendet. Prinzipiell könnte man auch Word verwenden, das führt jedoch zu unschönerem Ergebnis und der Prozess ist nervenaufreibender.
Dank Sharelatex entfällt die manchmal aufwendige Latex Installation. Der Latex Satz dieses Beispielprojekts kann hier im lesenden Modus abgerufen werden: https://www.sharelatex.com/project/590b352cd50983d3138d1865 . Die Datai 00_book.tex ist das Hauptdokument, indem die meisten Einstellungen zu finden sind und von dem aus der eigentliche Text verlinkt ist (Referenzen zu anderen .tex Dataien).
Die wichtigsten Befehle werden direkt als Kommentar erklärt (work-in-progress).