Vi har en masse gamle manualer ude i datamuseum.dk som vi gerne vil have digitaliseret.
Dertil har vi arvet en HP5590 (eller noget i den stil) scanner med arkføder osv.
Den kommer med noget skodsoftware fra HP der kører på en Windows Vista maskine, som kan producere nogle PDF filer med noget OCR undervejs.
At sige det virker "godt" ville være at overdrive.
Brugerinterfacet stinker. Selv noget så basalt som "side 37 af 104" mangler.
Ca. hver 8. side vælger den at dreje 90 grader. Bare sådan for at vise at den kan.
Og nu har jeg lige opdaget at output filerne er 10 gange større end nødvendigt: Den gemmer 300bpi sort-hvid som JPG format i PDF filerne.
Nu har jeg skrevet et python script der åbner PDF filen, henter JPG billederne ud, konverterer dem til monokrom, komprimeret TIFF, bruger tiffcp til at lave en pdf-fil og spytter en ny PDF fil ud, med OCR data fra den første og TIFF fra den anden fil.
Men det er jo, mildst talt, ikke nogen perfekt løsning.
Nogen bedre forslag ?
Findes der stadig slet ikke noget OCR der virker på en FOSS løsning ?
phk
...men det er dyrt at lave god journalistik. Derfor beder vi dig overveje at tegne abonnement på Version2.
Digitaliseringen buldrer derudaf, og it-folkene tegner fremtidens Danmark. Derfor er det vigtigere end nogensinde med et kvalificeret bud på, hvordan it bedst kan være med til at udvikle det danske samfund og erhvervsliv.
Og der har aldrig været mere akut brug for en kritisk vagthund, der råber op, når der tages forkerte it-beslutninger.
Den rolle har Version2 indtaget siden 2006 - og det bliver vi ved med.
