LXF163: Сканируем документы

Подписка на печатную версию Весь 2015 год (12 номеров) Первое полугодие (6 номеров) Второе полугодие (6 номеров)

Подписка на электронную версию Весь 2015 год (12 номеров) Первое полугодие (6 номеров) Второе полугодие (6 номеров)

Подшивки старых номеров журнала (печатные версии) Весь 2014 год (12 номеров) Первое полугодие (6 номеров) Второе полугодие (6 номеров)

Учебник

Соз­дай­те ко­пии важ­ных до­ку­мен­тов с gscan2pdf

Хра­не­ние: Все ска­ни­ру­ем

Наш эксперт У Ней­ла Бот­ви­ка по ком­пь­ю­те­ру в ка­ж­дой ком­на­те, но он ни­по­чем не ска­жет вам, где на­хо­дит­ся цен­траль­ный сер­вер – по со­об­ра­же­ни­ям безо­пас­но­сти. > За­дай­те ко­ли­че­ст­во и фор­мат ска­ни­руе­мых стра­ниц, а так­же — нуж­но ли рас­по­знать текст сра­зу по­сле ска­ни­ро­ва­ния.

В офи­се Ней­ла Бот­ви­ка нет бу­маж­ных до­ку­мен­тов: он ска­ни­ру­ет их с OCR и пре­вра­ща­ет в тек­сто­вые фай­лы, чи­тае­мые ПО ин­дек­са­ции ра­бо­че­го сто­ла. Ес­ли ве­рить ТВ-про­грам­мам, ко­то­рые я смот­рел в дет­ст­ве, сей­час у нас долж­ны бы­ли быть ле­таю­щие ав­то­мо­би­ли и офи­сы без бу­маж­ных до­ку­мен­тов. Ав­то­мо­би­ли по­ка не ле­та­ют (раз­ве что за ру­лем Брюс Уил­лис), а бу­маг в офи­сах мень­ше не ста­ло. Бы­ло бы здо­ро­во из­ба­вить­ся от всех этих за­яв­лений и про­чих до­ку­мен­тов, при­хо­дя­щих к нам ка­ж­дый день вме­сте с поч­то­вым спа­мом, но в от­ли­чие от по­следнего мно­гие из них под­ле­жат хранению. На двух страницах нам не рас­ска­зать, как стро­ят ле­таю­щие ав­то­мо­би­ли, и мы по­де­лим­ся про­стым спо­со­бом из­ба­вить­ся от до­ку­мен­тов, со­хранив их со­дер­жи­мое. Это не толь­ко эко­но­мит ме­сто, но оно и на­дежнее – ведь циф­ро­вые фай­лы мож­но со­хранить в ре­зерв­ной ко­пии (кто чи­тал про­шлый но­мер Linux Format, зна­ет, чем я поль­зу­юсь для это­го).

По-про­сто­му, скор­ми­те до­ку­мен­ты сканеру и со­храните их в под­хо­дя­щем сжа­том, но универ­саль­ном фор­ма­те, на­при­мер, PNG или PDF, дав им под­хо­дя­щее имя, что­бы по­том лег­ко их най­ти. Но есть и луч­шее ре­шение. К фай­лу изо­бра­жения мож­но до­ба­вить ин­фор­ма­цию, доступ­ную для чтения про­грам­мой ин­дек­са­ции ра­бо­че­го сто­ла, ти­па Meta Tracker в Gnome или Semantic Desktop или Recoll в KDE. Для это­го нуж­но об­ра­бо­тать от­сканиро­ван­ную страницу про­грам­мой оп­ти­че­­ско­­го рас­по­зна­вания тек­ста (OCR), что­бы по­лу­чить тек­сто­вую вер­сию до­ку­мен­та. Эта тек­сто­вая вер­сия хранит­ся в фай­ле вме­сте с изо­бра­жением, обыч­но в фор­ма­те PDF, и при про­смот­ре до­ку­мен­та вы ви­ди­те от­сканиро­ван­ное изо­бра­жение, а по­ис­ко­вая ма­ши­на ра­бо­че­го сто­ла на­хо­дит текст и ин­дек­си­ру­ет его.

Сде­лать это мож­но из команд­ной стро­ки: изо­бра­жение со сканера за­бе­рет scanimage из SANE, тек­сто­вую вер­сию соз­даст про­грам­ма OCR – Cuneiform, GOCR или Tesseract, а объ­е­динит фай­лы ImageMagick. Все это мож­но со­брать в скрипт и де­лать все од­ной ко­ман­дой, до­ба­вив под­держ­ку сканеров с ав­то­по­да­чей или кноп­ку Push для сканиро­вания сле­дую­щей страницы. Мо­же­те сде­лать это са­ми или восполь­зуй­тесь gscan2pdf, ко­то­рая сде­ла­ет это за вас, и до­бавь­те в свой ар­се­нал но­вую гра­фи­че­скую про­грам­му. Ис­ход­ный код име­ет­ся на http://gscan2pdf.sourceforge.net, но при­дет­ся до­бы­вать до­воль­но мно­го за­ви­си­мо­стей (это про­грам­ма на Perl, и кро­ме кли­ент­ских про­грамм для основ­ной ра­бо­ты ей ну­жен на­бор мо­ду­лей Perl), по­это­му на­дежнее бу­дет уста­но­вить ее че­рез менед­жер па­ке­тов ди­ст­ри­бу­ти­ва.

Зна­ком­ст­во с gscan2pdf

За­пусти­те про­грам­му и на­жми­те на кноп­ку Scan [Сканиро­вать], что­бы от­крыть ок­но Scan Options [Па­ра­мет­ры сканиро­вания]. Все за­дан­ные здесь па­ра­мет­ры бу­дут при­ме­нять­ся при сле­дую­щих за­пусках про­грам­мы. По­экс­пе­ри­мен­ти­руй­те с ти­пом сканиро­вания [Scan Type] и раз­ре­шением [Resolution], а так­же с раз­лич­ны­ми движ­ка­ми OCR, что­бы по­нять, ка­кой из них да­ет луч­шие ре­зуль­та­ты. При этом удобнее сна­ча­ла от­клю­чить OCR на вклад­ке Page Options [Па­ра­мет­ры страницы] и толь­ко сканиро­вать, а за­тем про­ве­рять раз­лич­ные на­строй­ки OCR на од­ной и той же от­сканиро­ван­ной ко­пии.

Ос­нов­ные на­строй­ки на вклад­ке Scan Mode [Ре­жим сканиро­вания] – это ре­жим сканиро­вания [Mode] и раз­ре­шение [Resolution]. При сканиро­вании в от­тен­ках се­ро­го [Greyscale] за­тра­чи­ва­ет­ся боль­ше вре­мени и по­лу­ча­ет­ся файл боль­ше­го раз­ме­ра по сравнению со штри­хо­вым ри­сун­ком [lineart]. Для сканиро­вания в пол­но­цвет­ном фор­ма­те нуж­но еще боль­ше ре­сур­сов, по­это­му по­ду­май­те о том, что вам действительно нуж­но – нередко доста­точ­но штри­хо­во­го ри­сун­ка (чер­но-бе­ло­го), к то­му же он обыч­но луч­ше рас­по­зна­ет­ся в текст. Раз­ре­шение для хо­ро­ше­го рас­по­зна­вания обыч­но не долж­но быть менее 400 dpi.

• Метамодернизм в позднем творчестве В.Г. Сорокина
• ЛитРПГ - последняя отрыжка постмодерна
• "Ричард III и семиотика"
• 3D-визуализация обложки Ridero создаем обложку книги при работе над самиздатом.
• Архитектура метамодерна - говоря о современном искусстве, невозможно не поговорить об архитектуре. В данной статье будет отмечено несколько интересных принципов, характерных для построек "новой волны", столь притягательных и скандальных.
• Литература
• Метамодерн
• Рокер-Прометей против изначального зла в «Песне про советскую милицию» Вени Дркина, Автор: Нина Ищенко, к.ф.н, член Союза Писателей ЛНР - перепубликация из журнала "Топос".
• Как избавиться от комаров? Лучшие типы ловушек.
• Что делать если роблокс вылетает на windows
• Что делать, если ребенок смотрит порно?
• Почему собака прыгает на людей при встрече?
• Какое масло лить в Задний дифференциал (мост) Visco diff 38434AA050
• О чем может рассказать хвост вашей кошки?
• Верветки
• Отчетность бюджетных учреждений при закупках по Закону № 223-ФЗ
• Срок исковой давности как правильно рассчитать
• Дмитрий Патрушев минсельхоз будет ли преемником Путина
• Кто такой Владислав Поздняков? Что такое "Мужское Государство" и почему его признали экстремистским в России?
• Как правильно выбрать машинное масло в Димитровграде?
• Как стать богатым и знаменитым в России?
• Почему фильм "Пипец" (Kick-Ass) стал популярен по всему миру?
• Как стать мудрецом?
• Как правильно установить FreeBSD
• Как стать таким как Путин?
• Где лучше жить - в Димитровграде или в Ульяновске?
• Почему город Димитровград так называется?
• Что такое метамодерн?
• ВАЖНО! Временное ограничение движения автотранспортных средств в Димитровграде
• Тарифы на электроэнергию для майнеров предложено повысить

На вклад­ке Page Options [Па­ра­мет­ры страницы] мож­но так­же за­дать ко­ли­че­­ст­во сканируе­мых страниц. При по­да­че страниц в сканер по од­ной уста­но­ви­те его в 1, ес­ли ваш сканер не та­кой, как мой – тот шу­мит доста­точ­но, что­бы ста­ло яс­но: го­лов­ка воз­вра­ща­ет­ся и по­ра встав­лять лист бу­ма­ги, по­ка не на­ча­лось но­вое сканиро­вание. От­сканиро­вав па­ру страниц в gscan2pdf, по­про­буй­те раз­лич­ные движ­ки рас­по­зна­вания тек­ста. За­пусти­те OCR из ме­ню ин­ст­ру­мен­тов, вы­бе­ри­те один из доступ­ных движ­ков OCR, и пусть он де­ла­ет свое де­ло. За­тем за­гляните на вклад­ку OCR Output [Ре­зуль­тат рас­по­зна­вания] и оцените ре­зуль­тат – что­бы про­честь текст, при­дет­ся уве­ли­чить мас­штаб. Что­бы уда­лить текст и по­про­бо­вать дру­гой дви­жок, вы­бе­ри­те Edit > Clear OCR [Прав­ка > Очи­стить текст]. В мо­ей сис­те­ме луч­шие ре­зуль­та­ты дал GOCR, но это, ви­ди­мо, в чис­ле про­че­го за­ви­сит от ка­че­­ст­ва сканируе­мых страниц.

Вы­брав под­хо­дя­щие на­строй­ки сканиро­вания и рас­по­зна­вания, за­дай­те их в окне Scan Documents [Сканиро­вать до­ку­мен­ты] и дви­гай­тесь даль­ше. В кон­це на­жми­те Save [Со­хранить], что­бы со­хранить файл. Луч­ший фор­мат – PDF. Он чи­та­ет­ся поч­ти на всех уст­рой­ст­вах и бу­дет чи­тать­ся еще очень дол­го, к то­му же текст внут­ри него досту­пен для ин­дек­си­ро­вания по­ис­ко­вым сис­те­мам. Со­хранение мо­жет от­нять боль­ше вре­мени, чем вы ожи­да­ли, по­то­му что имен­но сей­час раз­лич­ные изо­бра­жения и тек­сто­вые страницы объ­е­ди­ня­ют­ся в один файл.

Умень­шение раз­ме­ра

Раз­ре­шение для рас­по­зна­вания тек­ста долж­но быть на­мно­го боль­ше, чем для про­смот­ра до­ку­мен­та на эк­ране, ес­ли толь­ко вы не на­ме­ре­ны сма­ко­вать от­дель­ные бу­к­вы, по­это­му фай­лы, ко­то­рые у вас по­лу­чат­ся, бу­дут уве­си­стее, чем нуж­но. Для од­но­го-двух фай­лов это некри­тич­но, но по­множь­те их на ре­гу­ляр­ные бан­ков­ские от­че­ты и выпис­ки с кре­дит­ных карт, ком­му­наль­ные кви­тан­ции и дру­гие бу­ма­ги за год – и вот ваш диск за­бит.

Сэ­ко­но­мить ме­сто мож­но раз­ны­ми спо­со­ба­ми – на­при­мер, сканиро­вание в штри­хо­вом ри­сун­ке вме­сто от­тен­ков се­ро­го зна­чи­тель­но умень­шит раз­мер фай­лов. Бан­ков­ский от­чет в пять страниц, от­сканиро­ван­ный с раз­ре­шением 600 dpi в от­тен­ках се­ро­го, за­нял 29 МБ в PDF-фай­ле; при сканиро­вании в штри­хо­вом ри­сун­ке с тем же раз­ре­шением раз­мер фай­ла умень­шил­ся до 1 МБ, и по­лез­ная ин­фор­ма­ция вся уце­ле­ла. Фор­мат фай­ла то­же мо­жет иметь зна­чение – gscan2pdf под­дер­жи­ва­ет фор­мат DjVu (про­из­но­сит­ся «де­жа вю»), пред­на­зна­чен­ный спе­ци­аль­но для ар­хи­ва­ции циф­ро­вых до­ку­мен­тов с вы­со­ким сжа­ти­ем. В этом фор­ма­те файл за­нял 5 МБ в от­тен­ках се­ро­го и 300 КБ в штри­хо­вом ри­сун­ке – мощ­ная эко­но­мия мес­та! Бо­лее под­роб­ная ин­фор­ма­ция о DjVu при­ве­де­на во врез­ке.

Раз­мер фай­лов мож­но умень­шить и по­сле рас­по­зна­вания, и сде­лать это мож­но по-раз­но­му. Со­хра­няя в фор­ма­те PDF, мож­но снизить чис­ло пик­се­лей на дюйм [PPI] в окне PDF Save [Со­хранение PDF]. Стан­дарт­ное зна­чение – 72; уста­но­вив его в 36, мы вдвое снизим эф­фек­тив­ное раз­ре­шение, умень­шив ко­ли­че­­ст­во пик­се­лей на 75 %. Дру­гая аль­тер­на­ти­ва, един­ст­вен­ная, ес­ли ис­поль­зу­ет­ся дру­гой фор­мат – из­менить раз­мер изо­бра­жений во внешней про­грам­ме. В gscan2pdf есть оп­ция та­ко­го за­пуска, и по умол­чанию бе­рет­ся про­грам­ма GIMP.

Mogrifi-ка­ция

Что­бы из­менить раз­мер изо­бра­жения, мож­но до­ба­вить па­ра­мет­ры к ко­ман­де mogrify из ImageMagick. Mogrify очень по­хо­жа на бо­лее зна­ко­мую ко­ман­ду convert; глав­ное от­ли­чие в том, что пре­об­ра­зо­ван­ное со­об­щение она за­пи­сы­ва­ет не в но­вый файл, а в ори­ги­нал, и по­это­му счи­та­ет­ся небезо­пас­ной. Но мы не да­дим ей во­лю ку­ра­жить­ся над на­ши­ми цен­ны­ми кад­ра­ми, так что про­блем не бу­дет. От­крой­те ок­но Preferences [Свой­ст­ва], на­жми­те на кноп­ку Add [До­ба­вить] в раз­де­ле User-defined [Поль­зо­ва­тель­ские ути­ли­ты] и вве­ди­те ко­ман­ду

mogrify -resize 50% %i

Вас вряд ли уди­вит по­яснение, что эта ко­ман­да снизит раз­ре­шение до 50 % от ис­ход­но­го. Ис­поль­зуй­те лю­бую доста­точ­ную для вас ве­ли­чи­ну – с 25 % и ис­ход­ным раз­ре­шением 600 dpi мы по­лу­чим хо­ро­шо чи­тае­мый файл, зна­чи­тель­но умень­шив его раз­мер. Что­бы из­менить раз­мер страниц, на­жми­те кноп­ку Select All Pages [Вы­де­лить все страницы], за­тем за­пусти­те mogrify из ме­ню Tools > User-defined [Ути­ли­ты > Поль­зо­ва­тель­ские]. При экс­пе­ри­мен­тах с на­строй­ка­ми, та­ки­ми как раз­ре­шение изо­бра­жения и на­строй­ки рас­по­зна­вания, со­хра­няй­те ори­ги­на­лы сканиро­ван­ных изо­бра­жений в PDF. Тогда, ес­ли вам почему-либо не по­нра­вят­ся ре­зуль­та­ты, их мож­но за­гру­зить в gscan2pdf, не сканируя до­ку­мент за­но­во. |