Hogyan lehet scannelt könyvet szöveggé alakítani?

OCR-el át kell alakítani előbb a dokumentumot, akkor kereshetővé válik.

Sajnos a karakterfelismerés hatékonysága betűtípus és méret függő, ezen túlmenően maga a szkennelés minősége is befolyásolja.

Ha magyar nyelvű, akkor rossz híreim vannak.

A magyar elég gáz a felismerés szempontjából.

Ha nincsenek ékezetek, pl. angol nyelvű, akkor elég jó a felismerési arány, de ha magyar, akkor az ingyenes módszerekkel nem fogsz használható eredményt kapni.

vagy letöltesz egy ocr progit

bár a feltelepítése problémásabb, ha nem értesz hozzá

[link]

[link]

Van egy nagyon jó kis ingyenes PDF olvasó, ami (sok más jó tulajdonsága mellett) beépített OCR-t is tartalmaz: PDF XChange VieWer

Már évek óta nem fejlesztik, de az utolsó verzió továbbra is letölthető a gyártó weboldaláról:

[link]

(Van egy utód-termék, a PDF XChange Editor, de az szerintem még mindig nem hozza az elődje minóségét.)

A telepítője angol, de nem kell megijedni, mert telepítés után az Edit -> Preferences menüben át lehet váltani magyar nyelvre; a magyarítás (szinte) hibátlan. Ugyanitt érdemes kikapcsolni a keresésszolgáltatókat.

Az OCR alapból csak pár nyelv felismerését támogatja, a többihez (köztük a magyarhoz) külön kell telepíteni ezt:

[link]

Sajnos ez csak sima HTTP protokollal érhető el, HTTPS-sel nem, emiatt a legtöbb böngésző már hisztizik, de lépjünk túl rajta.

A PDF fájl megnyitása után a Dokumentum -> OCR pages… menüpontban lehet elindítani a felismerést. Ez a rész sajnos nincs magyarítva, de nem ördöngősség: a Primary Language-et kell Hungarian-ra, az Accuracy-t Medium-ra állítani, a többi maradhat az alapbeállításon.

OK-ra kezd el dolgozni, ha végzett, elmenthetjük a fájlt.

A felismert szöveget külön rétegként adja hozzá: nem látjuk azt, de az Eszközök -> Alapvető eszközúk -> Kijelölés eszközt kiválasztva ki tudjuk jelölni. (Ez külön gombként az eszkötáron is kint van.)

Azzal azért számolni kell, hogy a legtökéletesebbnek tűnő nyeranyag esetén is lehetnek (lesznek is) rosszul felismert betűk/szavak, pl. I helyett l, vagy ü helyet ii, stb. Tehát ha a keresés (Ctrl+F vagy távcső ikon) nem találja meg a teljes szót, akkor meg lehet próbálni annak csak egy részletére rákeresni.

Altalában a sima, fekete-fehér doksikkal van a legkevesebb gond, viszont ha a szkennelt szöveg alá volt húzogatva, vagy szövegkiemelőzve, akkor akár eléggé reménytelen is lehet az eredmény.

Bocsánat, nem tudom mit néztem el hajnalban, de most ellenőrizve a HTTPS-ses [link] link is működik már!

A többi elgépelésért is elnézést kérek!

(#8 voltam)