Posted: 21.04.06 14:06. Post subject: OCR: различные технические моменты

Babek wrote: <...> ( в виде PDF файла ~85 mb.). <...>
Не представляю как Word сможет открыть файл такого размера.

Bewerr:
Размер файла говорит о том, что, скорее всего, это не пдф-документ со встроенными шрифтами и возможностью скопировать из него текст (например, в Adobe Reader эта функция есть начиная с версии 5.0), а пдф лишь как оболочка для инкорпорированных в него растровых изображений (сканов). Такие пдф-ы могут быть и бОльшими - мне встречались по 120-130 мегов.
Получаются они двумя путями: либо сканировали сразу в мультистраничный пдф посредством программного обеспечения, идущего в комплекте со сканером, либо отсканированные изображения потом преобразовали в пдф с помощью пдф-конвертера/редактора.
Проверить очень просто - пытаетесь скопировать текст или же ищете в пдф-е какое-либо слово (Ctrl+F). Если не получилось, то в этом случае требуется распознать текст.

Из пдф-а с текстом получить doc-файл можно двумя путями - пытаться конвертировать с помощью какого-либо проприетарного программного обеспечения сразу в doc, или же копировать текст в любой текстовый редактор.
Собственно doc-файл для публикации в интернете совершенно не нужен. На выходе нужен html-файл, текст для которого может быть подготовлен в формате rtf, в некоторых простых случаях - даже txt, можно работать и в других форматах, но это уже на любителя либо при особо специфичных распознаваемых материалах.

Если в книге есть рисунки или фотографии, то их обработка для публикации в интернете требует некоторых навыков. Это отдельная тема.

 Posted: 22.04.06 09:41. Post subject: Re:

Bewerr

Рисунков и фоторографий в книге нет. Поиск осуществлять получается. В какой формат переводить? html? rtf? txt?

Мне кажется, что Вы имеет отношение к администрированию сайта, поэтому вопрос очевидно будет уместен к Вам, на сайте нет поиска по содержанию. Как осуществить ?

 Posted: 22.04.06 10:42. Post subject: Re:

Babek'у:

Согласование форматов - это Вам надо спросить у Thietmar'a.

Нет, неверно. К администрированию сайта я не имею никакого отношения. Я обычный участник форума.

 Posted: 22.04.06 10:46. Post subject: Re:

Babek> Рисунков и фоторографий в книге нет. Поиск осуществлять получается.

Вы говорили про два пдф-а (3-4 и 85 мегов). Про какой идет речь сейчас?

 Posted: 22.04.06 12:24. Post subject: Re:

Я говорю про тот который заинтересовал Thietmar-а - 85 мегов. ("Синяя летопись...")

 Posted: 22.04.06 14:26. Post subject: Re:

768 страниц чистого текста не могут иметь размер 85 мегабайт. Максимум 5-6.
Посмотрите внимательно - есть ли страницы, на которых текст не выделяется. Если в файл встроили хотя бы 10-15 страниц в несжатом tiff-e, 256 градаций серого, да с большим разрешением (400-600 dpi), то из-за них размер мог раздуться до 85 мегов. Иногда текст в пдф-ах OCR-щики дают именно текстом, но таблицы делают именно как встраиваемые изображения (для упрощения процесса распознавания). Есть ли в книге таблицы?
Еще могут быть иероглифы - и если их вставляли как изображения, а не через использование китайских и т.п. фонтов, то это тоже могло привести к такому невероятно огромному размеру файла.

 Posted: 24.04.06 10:41. Post subject: Может быть еще одна причина

Bewerr пишет:

quote:

768 страниц чистого текста не могут иметь размер 85 мегабайт

Иногда в одном PDF бывают изображения, продублированные наложенным сверху текстом. Adobe Acrobat (не Reader ) позволяет делать это, там есть встроенный OCR.

Делают это, чтобы и оригинальный вид сохранить, и поиском текста в PDF пользоваться.


regards,
aeg

 Posted: 24.04.06 11:37. Post subject: Re:

Babek

А есть у вас какая-нибудь возможность переслать мне этот текст хотя бы в pdf ?

 Posted: 24.04.06 11:47. Post subject: Re:

a_e_g: Иногда в одном PDF бывают изображения, продублированные наложенным сверху текстом.

Если они так делают с pdf-ом, то они просто чудовища :-). Для таких вещей надо формат djvu использовать...

 Posted: 24.04.06 11:59. Post subject: Они еще и лентяи :P

Bewerr пишет:

quote:

Если они так делают с pdf-ом, то они просто чудовища :-). Для таких вещей надо формат djvu использовать...

Представьте, сколько надо работы, чтобы из PDF сделать Дежавю:

1) Вытащить картинки из PDF (не всегда это можно сделать)
2) Распознать текст (то же самое)
3) Запихать это в Djvu.


regards,
aeg

 Posted: 24.04.06 15:24. Post subject: Re:

a_e_g wrote:

quote:

Представьте, сколько надо работы, чтобы из PDF сделать Дежавю:

Представляю :-). Но я о другом - зачем ИМ понадобилось это запихивать в пдф.

А тема вообще интересная. Уважаемый a_e_g , нет ли у Вас случайно образца такого пдф-а (картинка + текст)? Если есть, то могли бы Вы его выслать на dddv@pochta.ru ?

 Posted: 24.04.06 15:38. Post subject: Re:

Все просто оказалось, полминуты в гугле: линк на "Синюю летопись" выложен на avaxhome.ru
http://www.avaxhome.ru/ebooks/the_blue_annals.html
Рапидшара... уже скачался, сейчас буду его препарировать :-).

 Posted: 24.04.06 18:07. Post subject: Должен где-то быть

Как найду - вышлю обязательно.

regards,
aeg

 Posted: 24.04.06 19:08. Post subject: Re:

Предположение а_е_g об изображениях и тексте подтвердились.
Однобитные сканы страниц + автоматически распознанный текст (русско-английский). Сделан из Файн-Ридера + Акробат 7.0.
Разрешение - тут я имеющимися средствами не смог определить точно. Не меньше 300 dpi, возможно, что и 400-600.
Текст с картинками в одном файле, судя по всему, разместили из-за фрагментов на санскрите и множества примечаний, с которыми решили не возиться. Часть примечаний (около корешка книги) не распознана, санскрит распознан латинскими буквами без спец.символов. Карты - качество сканов очень плохое.
Выломать подручными средствами из такого файла картинки мне не удалось.
Для уменьшения размера можно лишь выкопировать текст в txt и потом уменьшить размер графических изображений (примерно в два раза).
Хотя зачем это делать? для "повременки" и 30 мегов скачать почти что нереально, а для выделенного - и 60 не проблема.
А работы по распознаванию там будет много ...

 Posted: 24.04.06 21:16. Post subject: Re:

Так может проще наново отсканить ?

 Posted: 24.04.06 22:42. Post subject: Re:

Thietmar wrote:

quote:

Так может проще наново отсканить ?

Нет, не надо. В сканах эта книга в целом приемлема, кроме листов с картами.

в данном файле я лично(говорю только за себя, a_e_g в этом вопросе более информирован) впервые столкнулся с новшеством, разрекламированным здесь:
http://www.abbyy.ru/finereader8/?param=45007

Цитата: "В ABBYY FineReader 8.0 усовершенствована технология обработки PDF-файлов. Как известно, некоторые PDF-файлы содержат так называемый текстовый слой, причём его содержимое может не полностью соответствовать видимому на экране документу. FineReader 8.0 предварительно анализирует содержимое файла и для каждого текстового блока принимает решение: распознать его или извлечь соответствующий текст из текстового слоя. Таким образом удаётся увеличить качество распознавания и в 2 раза сократить время обработки*."
* - По сравнению с ABBYY FineReader 7.0; по результатам внутренних тестов.

Далее мои предположения:

Таким образом, FineReader сам решает, что ему удалось распознать, и потом делает следующее:
Берется скан в известном tiff G4 (иначе не объяснить размер страницы в ~100 кБ). По результатам распознавания создается текстовый файл типа того, что получается, если скопировать распознанное FineReader'ом в текстовый редактор и сохранить в формате txt. Чистится "автоматом".
Потом FineReader прикрепляет результат в txt к результату в tiff G4. Со всеми погрешностями и своевольными "принятыми решениями". Теперь эту хрень надо куда-то деть - и здесь они решили, что им подходит формат pdf. Конечно, зачем же использовать djvu - это еще надо будет объяснять всем, кто захочет потом файл посмотреть, про плагины к браузерам, просмотрщик Lizardtech... а Acrobat Reader уже практически на каждом компе установлен. На размер файла внимания не обращали - ну, подумаешь, 60 мегов вместо 20. Может, они и правы - только к переводу текста в эл.вид в нашем понимании это не относится. Они сделали суррогат, "безалкогольное пиво с резиновой женщиной".

Нехорошие моменты:
1) Текст распознан не до конца - поиск по тексту не даст всех возможных результатов. Комментарий - а зачем тогда вообще эл.вид документа? Просто переслать сканы можно и в обычном многостраничном пдф-е, и в тифф-е.
2) Распознанный текст содержит ошибки, которые изготовитель файла и не думал корректировать. Скажем, в рассмотренном примере я успел заметить в таблицах в конце книги "Год"->"евин." вместо "Год"->"свин." - там речь о китайском календаре.
3) Для специалиста нераспознанный санскрит вообще может быть куда большим препятствием для пользования эл.копией документа, чем для обычного читателя - этот самый "год евиньи".
4) Размер файла примерно в два раза больше того, который бы получился при простом многостраничном тиффе. В серии экспериментов над вышеуказанным файлом мне удалось извлечь из него всю графику в виде 28-мегабайтного tiff G4. "Автоматический" текст составил бы еще мегабайт-другой; остальные 25-30 мегов - шелуха, чтобы "было удобно" + всякие штучки Adobe насчет security.

Возможно, для оцифровки простых книг (и особенно содержащих множество таблиц) этот метод еще как-то подошел бы. На Западе или внутри большой корпорации - там, где есть возможность быстрой перекачки по сети файла в десятки мегов.

Для России, с ее преобладающим соединением "по дозвону" - нет.
Для исторических документов и серьезных исторических книг, содержащих зачастую текст на нескольких языках - нет.

Для полноценного OCR'a такой файл по-прежнему лишь источник изображений, если не считать совершенно небольшого облегчения труда - первичное распознавание, занимающее лишь малую часть от затраченного в общем времени, все-таки уже как-то выполнено.
Корректура остается необходимой.

Bewerr.