Eigene Scans in durchsuchbare PDFs umwandeln

Aus selbst gescann­ten Doku­men­ten las­sen sich rela­tiv ein­fach durch­such­ba­re PDFs erzeu­gen – zumin­dest unter Linux. 

Schon vor eini­ger Zeit habe ich mich damit beschäf­tigt, wie man unter Ubun­tu alte Doku­men­te digi­ta­li­sie­ren kann. Das ist wei­ter­hin ein gutes Ver­fah­ren, wenn man nur an die Text-Inhal­te her­an­kom­men will, ohne alles abtip­pen zu müssen.

PDF bie­tet aber auch die Mög­lich­keit, über die gescann­ten Bil­der eine unsicht­ba­re Ebe­ne Text zu legen. So erhält man den alten Look der Doku­men­te, kann aber die Tex­te durch­su­chen, mar­kie­ren und kopie­ren. Das Ergeb­nis nennt sich Sandwich-PDF.

Zunächst hat­te mir mein Scan­ner nur einen Sta­pel JPG-Gra­fi­ken aus­ge­wor­fen, die alle in einem Ver­zeich­nis lagen. Dar­aus lässt sich mit Gra­phics­Ma­gick sehr leicht ein PDF erstel­len. Dazu musst du Gra­phics­Ma­gick instal­lie­ren, wenn Du das noch nicht getan hast:

sudo apt-get install graphicsmagick

Dann kannst Du die Bil­der zu einem PDF zusam­men­fü­gen. Dazu musst Du die Datei­en in der rich­ti­gen Rei­hen­fol­ge angeben:

gm convert datei1.jpg datei2.jpg datei3.jpg ergebnis.pdf

Das resul­tie­ren­de PDF ist dann noch nicht durch­such­bar. Dazu musst Du ein klei­nes Skript benut­zen, das ich bei aux­net gefun­den habe. Aller­dings lief das bei mir nicht kor­rekt durch, weil die Datei­endung der tem­po­rä­ren Datei­en eine ande­re war, als das Skript annimmt.

Instal­li­er dazu fol­gen­de Tools – da ist auch Tes­seract mit den deut­schen Inter­pre­ta­ti­ons-Datei­en dabei, falls Du es noch nicht instal­liert hast:

sudo apt-get install pdftk poppler-utils tesseract-ocr tesseract-ocr-deu

Kopi­er Dir die­ses Skript…

#/bin/bash

if [ $# -eq 0 ]
then
echo "PDF-Datei als ersten Parameter erwartet"
exit 1
fi

echo "Lese: $1"

# Basisnamen für später merken
pdfbase=$(basename "$1" .pdf)

# Extrahiere Bilder aus PDF
pdfimages "$1" temp

# Lese Bilder einzeln und wende OCR an
for image in temp-*.ppm
do
base=$(basename "$image" .ppm)
echo "OCR auf $base"
tesseract -l deu "$image" "${base}" pdf
done

# Fasse einzelne PDFs wieder zusammen
echo "PDFs zusammenfassen"
pdftk temp-*.pdf output "${pdfbase}_sandy.pdf"

# Lösche temporäre Dateien
echo "Aufräumen..."
rm temp-*.pdf temp-*.ppm

echo "Fertig!"

…und spei­cher es unter sandy.sh in Dei­nem Home-Ver­zeich­nis und mach es ausfürbar:

chmod +x sandy.sh

Leg Dein ergebnis.pdf in das glei­che Ver­zeich­nis und star­te das Skript:

./sandy.sh ergebnis.pdf

Dabei kommt dann die Datei ergebnis_sandy.pdf her­aus, die durch­such­bar ist. Fertig.

Ein wenig pro­ble­ma­tisch ist, dass man das Ergeb­nis natür­lich nicht rich­tig über­prü­fen und nach­bes­sern kann. Ob Tes­seract die Tex­te kor­rekt erkannt hat, kann man nur fest­stel­len, wenn man die Tex­te kopiert und in einen Edi­tor ein­fügt. Bes­ser als gar nichts, ist das aber alle mal.