Fazit:
Das Einscannen von Dokumenten und das Extrahieren von Text aus diesen gelingt mit den Werkzeugen der Shell ohne großen Aufwand. Das Muster-Skript liefert bereits ein funktionsfähiges Ergebnis. Mit ein wenig Shell-Know-how erweitern Sie es und passen es auf Ihre Bedürfnisse leicht erweitern, zum Beispiel mit dem Tool Unpaper [11].
Glossar
OCR
Optical Character Recognition (engl.). Ein Verfahren zum automatisierten Erkennen von Textstellen durch optische Lesegeräte sowie das anschließende Umwandeln in Textzeichen inklusive Fehlerkorrektur.
Infos
[1] Sane: http://www.sane-project.org/
[2] Scanner installieren: http://wiki.ubuntuusers.de/Scanner
[3] Cuneiform: Erik Bärwaldt, "Alphabetisierung", LU 04/2011, S. 48, http://www.linux-community.de/22836
[4] Tesseract: Erik Bärwaldt, "Buchstabensalat", LU 05/2011, S. 84, http://www.linux-community.de/22905
[5] ImageMagick: Thomas Drilling, "Zauberkasten", LU 08/2012, S. 68, http://www.linux-community.de/26395
[6] Pdftk: http://www.pdflabs.com/tools/pdftk-the-pdf-toolkit
[7] Recode: http://recode.progiciels-bpi.ca/index.html
[8] Enscript: http://www.markkurossi.com/genscript/
[9] A2ps: http://www.inf.enst.fr/~demaille/a2ps/
[10] Ghostscript: http://www.ghostscript.com/
[11] Unpaper: http://unpaper.berlios.de
Diesen Artikel als PDF kaufen
LinuxCommunity kaufen
Bald erhältlich
Deutschland
Ähnliche Artikel
-
Richtig digitalisieren
Einfach nur Bücher einscannen war gestern. Mit dem richtigen Werkzeugkasten erstellen Sie heute E-Books inklusive Volltextsuche und Inhaltsverzeichnis weitgehend automatisch. -
Texterkennung mit Tesseract
Schicke Frontends wollen beim Umgang mit der OCR-Engine Tesseract helfen. Wie gut das gelingt, zeigt ein Test. -
Paperwork im Kampf gegen wachsende Aktenberge
Der Traum ist so alt wie der PC auf dem Schreibtisch: Im papierlosen Büro sollen Akten nur noch digital im Rechner vorliegen. Für die Verwaltung des papierlosen Büros wurde Paperwork entwickelt. -
Dokumente mit gscan2pdf scannen
Um schnell ein Foto einzuscannen, reichen Programme wie XSane völlig aus. Ein mehrseitiges Dokument als PDF-Datei speichern können Sie damit aber nicht. Hier hift gscan2pdf. -
Eingescannte Texte automatisch erkennen
Professionelle Texterkennung war bislang teuren kommerziellen Programmen unter Windows und Mac OS X vorbehalten. Mit dem freien Cuneiform und dessen grafischen Frontends YAGF und Cuneiform-Qt holt Linux den Rückstand auf.
