EasyLinux - Medialinx Shop

Aktuell
Neue Software
„gscan2pdf“ – durchsuchbare PDFs aus Scans erstellen
PDF ist das optimale Format zum Archivieren
von Scans: Es bündelt und komprimiert viele
Seiten. „gscan2pdf“ sorgt mit maschineller Zeichenerkennung
dafür, dass Sie die PDFs auch
nach Schlagwörtern durchsuchen können.
✰ ✰ ✰ ✰ ✰
Das Ärgerliche an eingescannten Dokumenten
ist, dass sie keinen durchsuchbaren Text enthalten.
Der Grund dafür ist, dass beim Scannen
Bilder und keine Textdateien entstehen. Abhilfe
schafft die als „Optical Character Recognition“
(OCR) bekannte Technik der maschinellen Zeichenerkennung,
für die es die Linux-Programme
Cuneiform und Tesseract gibt.
Beides sind aber Kommandozeilentools, die
lediglich Text in einer einzelnen Bilddatei erkennen
und in eine Textdatei schreiben. Das
grafische Programm gscan2pdf nutzt Cuneiform
oder Tesseract für die Texterkennung
die Redaktion meint
gscan2pdf überzeugt beim Erstellen von
durchsuchbaren PDFs, die sich hervorragend
für das Archivieren von Dokumenten
eignen. Allerdings gleicht seine Scanfunktion
die praktisch immer vorhandene Grautönung
des Papiers nicht aus. Optisch professionelle
PDFs entstehen daher nur,
wenn gscan2pdf die mit anderen Programmen
erzeugten Scans zu Sandwich-PDFs
weiterverarbeitet.
und bereitet das Ergebnis zu so genannten
Sandwich-PDFs auf, bei denen eine unsichtbare
Textebene über der eingescannten Bilddatei
liegt (Abbildung 4).
Schmackhaftes Sandwich
Die Software kombiniert die originalgetreue
Optik der gescannten Seiten mit der Durchsuchbarkeit
von Textdateien. Das funktioniert
in jedem PDF-Reader, der eine Suchfunktion
mitbringt, also auch mi Okular und Evince.
Die Hybrid-PDFs aus Bild- und unsichtbarer
Textebene entstehen in gscan2pdf mit wenigen
Mausklicks: Ein Klick auf das dritte Icon
von rechts öffnet den Scandialog mit zahlreichen
Einstellungen. Etliche davon betreffen
nur Besitzer eines Einzugsscanners, der automatisch
einen ganzen Stapel Vorlagen verarbeitet.
Die Einstellung alle Seiten weist solche
Scanner an, das ganze Magazin zu verwerten.
Blatt für Blatt
Besitzer eines normalen Flachbettscanners
wählen dagegen die Option #: und geben im
Zahlenfeld dahinter 1 ein. Der Scanner liest
dann pro Klick auf den Scannen-Button eine
Seite. Wer es schafft, eine neue Vorlage aufzulegen,
während der Scanner zwischen den Seiten
pausiert, darf auch die Anzahl aller zu
scannenden Seiten einstellen und muss zwischendurch
nicht mehr zur Maus greifen.
Ist im nächsten Reiter Scanmodus die Option
Scannen auf Knopfdruck aktiv, löst erst ein
Druck auf eine der Tasten am Scanner den
Scan aus. Allerdings funktioniert das unter
Linux nicht mit jedem Modell. Wichtig sind
noch die Einstellung Scan-Auflösung, die nicht
unter 300 dpi liegen sollte, und der Scanmodus
(Farbe/Graustufen/Schwarzweiß).
Die Kästchen Bilder bereinigen und Texterkennung
anwenden sind beim ersten Start aktiv.
In der Zeile für die Texterkennung befindet
sich ein Auswahlfeld für die auf dem Rechner
installierten Zeichenerkennungs-Programme.
Den besten Eindruck macht in letzter Zeit die
von Google gesponserte Engine Tesseract, die
Sie unter OpenSuse und Ubuntu über das
gleichnamige Paket installieren. Für deutsche
Texte ist die Spracheinstellung German in der
Zeile darunter wichtig, sonst gibt es Probleme
mit den Umlauten.
Licht und Schatten
Das Ergebnis der Scans fällt zwiespältig aus:
Einerseits funktioniert die Texterkennung,
ohne dass Sie sich mit Kommandozeilenprogrammen
herumschlagen müssen. Die Textschicht
ist auch ausreichend exakt über der
Grafik platziert. Störend wirken aber die zackigen
Ränder der hellgrauen Textbereiche vor
den von der Software ausgeschnittenen leeren
Bereichen. Zu allem Überfluss hat gscan2pdf
auch noch Löcher in die Abbildung geschnitten.
Darum ist es anzuraten, die Option Bilder
bereinigen, die für das Freistellen der leeren
Flächen verantwortlich ist, abzuschalten.
Im Vergleich mit der Scansoftware Scan Tailor
[2] enttäuscht die grafische Aufbereitung der
Seiten, die sich auf das Herausschneiden freier
Bereiche und ein Geraderichten des Scans beschränkt.
Besonders stört, dass für Helligkeit
und Kontrast nicht einmal manuelle Einstellungen
vorhanden sind.
Wer Wert auf reinweiße Ergebnisse legt,
scannt daher am besten mit Scan Tailor oder
XSane alle Seiten als einzelne Bilddateien in
ein Verzeichnis. Diese lassen sich in gscan2pdf
problemlos zu einem mehrseitigen Sandwich-
PDF weiterverarbeiten.
n
Infos
[1] gscan2pdf: http:// gscan2pdf.​
sourceforge. net/ (http:// ezlx. de/ c4p5)
[2] Scan Tailor: http:// scantailor.​
sourceforge. net/ (http:// ezlx. de/ c4p6)
Abb. 4: „gscan2pdf“ bettet mit Hilfe der OCR-Programme Cuneiform oder Tesseract maschinell
erkannten Text in PDFs aus eingescannten Seiten ein.
Software zum Artikel auf DVD:
gscan2pdf
16 www.easylinux.de
EasyLinux 04/2012