Suchen und Finden
In PDF- und PS-Dateien suchen
Fazit
Die Suche in Postscript- und PDF-Dokumenten klappt nur dann einigermaßen, wenn die Daten als einzelne Buchstaben im Dokument abgespeichert sind. Besteht das Dokument stattdessen aus Bild, wird es wesentlich komplexer. Im Alltag entstehen solche Dokumente häufig, etwa bei gescannten Daten und bei der Verwendung digitaler Faxgeräte. Auf den ersten Blick tendiert man dazu, diesen Fakt zu übersehen, weil der Mensch das Dokument problemlos lesen kann. Eine nachfolgende automatische Indexierung und Klassifikation klappt indes nur dann, wenn eine Texterkennung mit einer OCR-Software zu einem brauchbaren Ergebnis führt – das jedoch ist ein Kapitel für sich.
Danksagung
Der Autor bedankt sich bei Thomas Winde und Wolfram Eifler für deren kritische Anmerkungen und Kommentare im Vorfeld dieses Artikels.
Infos
[1] PDF/A-Technik: http://www.pdfa.org/2011/09/pdfa-%E2%80%93-ein-blick-auf-die-technische-seite/?lang=de
[2] Reguläre Ausdrücke: Frank Hofmann, "Schnipseljagd", LU 09/2011, S. 84, http://www.linux-community.de/24091
[3] OCR unter Linux: Andreas Gohr, "Linux OCR Software Comparison", http://www.splitbrain.org/blog/2010-06/15-linux_ocr_software_comparison
[4] DVI: http://de.wikipedia.org/wiki/Device_independent_file_format
[5] Epdfview und Co.: Frank Hofmann, "Angeschubst" LU 05/2010, S. 90, http://www.linux-community.de/20051
[6] Vim-Basics: Frank Hofmann, Thomas Winde, "Vielseitig", LU 10/2011, S. 32, http://www.linux-community.de/24065
[7] Liste freier PDF-Betrachter: http://www.pdfreaders.org
[8] Pdfgrep: http://pdfgrep.sourceforge.net
[9] Frank Hofmann, "Scheibchenweise", LU 12/2009, S. 88, http://www.linux-community.de/19635
[10] Stackbasierte Sprachen: http://de.wikipedia.org/wiki/Stapelspeicher#Stapelorientierte_Sprachen
[11] Ghostscript: http://www.ghostscript.com
[12] PS Language Cookbook: Adobe Systems Incorporated, "PostScript Language", Addison Wesley 1985
[13] PDF-Referenz: Adobe Systems Incorporated, "PDF Reference, 3rd Edition", Addison Wesley 2001, ISBN 9780-201-758399
[14] Pdfinfo: http://linuxcommand.org/man_pages/pdfinfo1.html
[15] Pdftk: http://www.accesspdf.com/pdftk/
[16] PDF-Metadaten: Frank Hofmann, "Innere Werte", LU 02/2010, S. 90, http://www.linux-community.de/20357
Einem Freund empfehlen
Vielen Dank für den schönen Artikel! Folgeartikel zu OCR oder auch zu genaueren PDF/PS-Innereien fände ich großartig. :) Nur zwei Anmerkungen: (1) $ for datei in $(ls *.pdf); do pdftotext $datei - | grep --color Suchstring ; done welchen Vorteil hat das gegenüber: $ for datei in *.pdf; do pdftotext $datei - | grep --color Suchstring ; done (2) """Da Less die farbliche Hervorhebung der Suchtreffer nicht übernimmt, können Sie dabei die grep-Option --color im Aufruf streichen.""" less übernimmt die Hervorhebung, wenn man ihm die Option "-R" gönnt. Viele Grüße |
