OCR no Ubuntu
Dica publicada em Linux / Software
OCR no Ubuntu
Presumo que você saiba o que é OCR (Optical Character Recognition, ou em nosso idioma, Reconhecimento Óptico de Caracteres). Num resumo simples, você precisa dele quando quer copiar e colar a partir de um texto salvo como uma imagem.
Caso você não tenha uma imagem pronta, ou seja, se ainda vai escanear o documento, a opção é usar o gscan2pdf, um programa que escaneia e faz o OCR, concomitantemente.
Ele, o gscan2pdf, é gráfico e intuitivo, razão pela qual vou deixar você mesmo lidar com ele.
A dica, é pertinente para quem já tem o PDF, ou seja, já tem a imagem pronta, pois não conheço programa capaz de escanear um PDF diretamente. Mas há solução, como sempre, envolvendo um pouco de linha de comando.
Primeiro, vamos instalar tudo que precisamos:
sudo apt-get install tesseract-ocr tesseract-ocr-por gscan2pdf imagemagick nautilus-open-terminal
Reiniciamos o sistema, para evitar problemas com os novos programas/configurações.
Agora, navegamos até a pasta onde está nosso PDF pelo Nautilus (gerenciador de arquivos) e clicamos com o direito do mouse num espaço vazio da janela da direita, escolhendo "Abrir num terminal".
No terminal aberto, já na pasta onde o PDF está, primeiro o convertemos para uma imagem aceita pelo Tesseract, nosso programa de OCR. O comando para isso, é:
convert -density 300 arquivo.pdf -depth 8 arquivo.tiff
Troque "arquivo.pdf" pelo nome do "seu" PDF, sendo "arquivo.tiff" o arquivo de saída, convertido e contendo tantas páginas quanto o PDF que lhe deu origem (você pode confirmar isso abrindo-o com o Evince, o leitor de PDF padrão do Ubuntu).
Note que a conversão deve levar tempo proporcional ao número de páginas do PDF original e o arquivo resultante, deve ocupar bastante espaço, pois será de alta resolução para facilitar o OCR, que devemos rodar em seguida com o comando:
tesseract arquivo.tiff texto -l por
No comando acima, o arquivo TIFF resultante da conversão do PDF será lido e o resultado em texto integrará o arquivo texto, que terá a extensão TXT por padrão. Finalmente, a opção "-l por", indica que o texto a ser lido está em português.
Complicado? Nem tanto.
E para mim, ser capaz de fazer isso, é uma tremenda mão-na-roda, sobretudo quando preciso fazer várias citações de um determinado texto, ou mesmo copiar descrições monótonas de certidões oficiais.
Esta dica foi publicada antes no meu blogue:
Caso você não tenha uma imagem pronta, ou seja, se ainda vai escanear o documento, a opção é usar o gscan2pdf, um programa que escaneia e faz o OCR, concomitantemente.
Ele, o gscan2pdf, é gráfico e intuitivo, razão pela qual vou deixar você mesmo lidar com ele.
A dica, é pertinente para quem já tem o PDF, ou seja, já tem a imagem pronta, pois não conheço programa capaz de escanear um PDF diretamente. Mas há solução, como sempre, envolvendo um pouco de linha de comando.
Primeiro, vamos instalar tudo que precisamos:
sudo apt-get install tesseract-ocr tesseract-ocr-por gscan2pdf imagemagick nautilus-open-terminal
Reiniciamos o sistema, para evitar problemas com os novos programas/configurações.
Agora, navegamos até a pasta onde está nosso PDF pelo Nautilus (gerenciador de arquivos) e clicamos com o direito do mouse num espaço vazio da janela da direita, escolhendo "Abrir num terminal".
No terminal aberto, já na pasta onde o PDF está, primeiro o convertemos para uma imagem aceita pelo Tesseract, nosso programa de OCR. O comando para isso, é:
convert -density 300 arquivo.pdf -depth 8 arquivo.tiff
Troque "arquivo.pdf" pelo nome do "seu" PDF, sendo "arquivo.tiff" o arquivo de saída, convertido e contendo tantas páginas quanto o PDF que lhe deu origem (você pode confirmar isso abrindo-o com o Evince, o leitor de PDF padrão do Ubuntu).
Note que a conversão deve levar tempo proporcional ao número de páginas do PDF original e o arquivo resultante, deve ocupar bastante espaço, pois será de alta resolução para facilitar o OCR, que devemos rodar em seguida com o comando:
tesseract arquivo.tiff texto -l por
No comando acima, o arquivo TIFF resultante da conversão do PDF será lido e o resultado em texto integrará o arquivo texto, que terá a extensão TXT por padrão. Finalmente, a opção "-l por", indica que o texto a ser lido está em português.
Complicado? Nem tanto.
E para mim, ser capaz de fazer isso, é uma tremenda mão-na-roda, sobretudo quando preciso fazer várias citações de um determinado texto, ou mesmo copiar descrições monótonas de certidões oficiais.
Esta dica foi publicada antes no meu blogue:
Valeu!