Der PDF-Con­tai­ner ist ei­ne ge­nia­le Er­fin­dung. Wer au­dio­vi­su­el­le In­hal­te in ei­nem sol­chen Ver­bund­do­ku­ment auf­be­wahrt, der über­win­det nicht nur Kom­pa­ti­bi­li­täts­pro­ble­me, son­dern stellt zu­dem si­cher, dass sein Ge­dan­ken­gut auf al­len Platt­for­men ein­heit­lich¹ dar­ge­stellt wird. Das smar­te Ado­be-For­mat kommt be­son­ders häu­fig bei der Di­gi­ta­li­sie­rung von phy­si­schen Schrift­stü­cken zum Ein­satz, da es ein­zel­ne Sei­ten in zu­sam­men­hän­gen­de Jour­na­le ver­wan­delt. Al­ler­dings las­sen sich ein­ge­scann­te Tex­te in PDF-Da­tei­en häu­fig nicht durch­su­chen. Ist dies der Fall, dann wur­de das Quell­ma­te­ri­al ein­fach nur ab­fo­to­gra­fiert und als Bil­d² ge­spei­chert. Buch­sta­ben müs­sen je­doch als Font­s³ vor­lie­gen, da­mit das Be­triebs­sys­tem ei­ne ge­schrie­be­ne In­for­ma­ti­on aus­le­sen kann.

Es grüßt ein ar­mer Re­fe­ren­dar, der mit Com­pu­tern auf Kriegs­fuß steht. Lei­der muss ich in den Weih­nachts­fe­ri­en auf ei­nem al­ten Ubun­tu-Lap­top di­gi­ta­le Un­ter­richts­ma­te­ria­li­en er­stel­len, was für mich die reins­te Fol­ter ist. Zu al­lem Über­fluss sol­len mei­ne Ar­beits­blät­ter auf Zeit­schrif­ten be­ru­hen, die mein Se­mi­nar­leh­rer ver­mut­lich vor Jahr­zehn­ten ein­ge­scannt hat. Er­schwe­rend kommt hin­zu, dass sich die PDF-Da­tei­en nicht durch­su­chen las­sen. Wenn ich gleich­zei­tig Strg + F drü­cke und ei­nen Be­griff ein­ge­be, dann er­scheint ein trau­ri­ger schwar­zer Smi­ley.

Neun­dor­fer, Al­bert: Ubun­tu durch­sucht kei­ne PDFs. E-Mail vom 09.11.2020.

Es ist ei­ne OCR-Soft­ware nö­tig, um der­ar­ti­ge Bar­rie­ren im Por­ta­ble Do­cu­ment For­mat ab­zu­bau­en. Sol­che Tex­terken­nungs­pro­gram­me iden­ti­fi­zie­ren je­den ein­zel­nen Buch­sta­ben auf ei­nem Bild, in­dem sie die Schrift­zei­chen mit ei­ner in­ter­nen Da­ten­ban­k⁴ ver­glei­chen. Nach der so­ge­nann­ten Op­ti­cal Cha­rac­ter Re­co­gni­ti­on wer­den die ein­ge­scann­ten Let­tern in Fonts ver­wan­del­t⁵ und an­schlie­ßend in ei­ner neu­en PDF-Da­tei ge­spei­chert. Na­tür­lich blei­ben Gra­fi­ken und For­ma­tie­run­gen bei der Kon­ver­tie­rung er­hal­ten, wes­halb wäh­rend des Trans­for­ma­ti­ons­pro­zes­ses le­dig­lich ein aus­les­ba­res Re­pli­kat des Quell­ma­te­ri­als ent­steht.

Un­ter Ubun­tu-Nut­zern ist das Werk­zeug OCR­myPDF⁶ be­son­ders be­liebt. Die kon­so­len­ba­sier­te Dritt­an­bie­ter­soft­ware liegt im Uni­ver­se-De­pot⁷ und ist für al­le De­bi­an-De­ri­va­te ge­eig­net:

sudo apt-get update && sudo apt-get install ocrmypdf

Al­ler­dings muss die re­nom­mier­te Ap­pli­ka­ti­on ein­ma­lig mit ei­ner deutsch­spra­chi­gen Ver­gleichs­da­ten­bank er­wei­tert wer­den, da der Ma­schi­nen­code­schrei­ber stan­dard­mä­ßig nur mit eng­li­schen Tex­ten um­ge­hen kann:

sudo apt-get install tesseract-ocr-deu

So­bald das Be­triebs­sys­tem so­wohl mit dem Haupt­pro­gramm als auch mit der Er­gän­zung aus­ge­stat­tet wur­de, ha­ben un­les­ba­re Bild­da­tei­en schlech­te Kar­ten. Denn ab so­fort ist nur noch ein Be­fehl von­nö­ten, um ei­ne PDF durch­such­bar zu ma­chen.

„Oh nein, ich has­se das Ter­mi­nal!”, den­ken sich ge­ra­de al­le Li­nux-An­fän­ger, die den Ar­ti­kel bis hier hin ge­le­sen ha­ben. In An­be­tracht des Um­stan­des, dass OCR­myPDF ei­ne ziem­lich aus­führ­li­che Kom­man­do­syn­tax ver­langt, sind all­ge­mei­ne Ver­un­si­che­run­gen durch­aus be­rech­tigt.

Doch kei­ne Pa­nik. In der fol­gen­den An­lei­tung se­hen Ubun­tu-No­vi­zen und Be­nut­zer­ober­flä­chen­lieb­ha­ber, wie ein­fach die Kon­so­len­kon­ver­tie­rung funk­tio­niert. Des Wei­te­ren de­cken die Pin­gu­in-Au­toren ver­bor­ge­ne Fä­hig­kei­ten von OCR­myPDF auf. Die kos­ten­lo­se Tex­terken­nungs­soft­ware kann näm­lich nicht nur mit dem be­lieb­ten Ado­be-For­mat, son­dern auch mit ge­wöhn­li­chen JPEG-Da­tei­en um­ge­hen. Und wer mit schlecht ein­ge­scann­tem Quell­ma­te­ri­al zu kämp­fen hat, für den ist das Kom­man­do­zei­len­pro­gramm erst recht ge­eig­net.

OCR trifft PDF

Sze­na­rio: 28 Jah­re lang fuhr mein se­li­ger Groß­va­ter die Berg­ar­bei­ter des Erz­ge­bir­ges als stol­zer DDR-Lok­füh­rer zu ih­ren Schaf­fen­sor­ten. Dann kam die Wen­de und für mei­nen Opa Lu­kas brach ei­ne Welt zu­sam­men. Zwar hät­te er für die Deut­sche Bahn wei­ter­ar­bei­ten kön­nen, doch sein kom­mu­nis­tisch ge­präg­tes Ge­wis­sen ließ das nicht zu, wes­halb er sich für die Früh­pen­sio­nie­rung ent­schied. Im Ru­he­stand ent­wi­ckel­te mein Ahn­herr ei­ne aus­ge­präg­te Sam­mel­lei­den­schaft. Noch heu­te se­he ich vor mei­nem geis­ti­gen Au­ge, wie der stör­ri­sche Grau­kopf kis­ten­wei­se Zug­ma­ga­zi­ne über sei­nen HP Scan­Jet 3200 jag­te, um die In­hal­te zu di­gi­ta­li­sie­ren. Nach sei­nem Ab­le­ben erb­te ich un­ter an­de­rem die Fest­plat­ten des al­ten SED-Sym­pa­thi­san­ten. Sei­ne Da­ten ha­be ich ir­gend­wann in die AWS-Cloud über­tra­gen und ver­ges­sen. Doch vor­hin hol­te ich mir die Schät­ze mei­nes Vor­fah­ren wie­der, da mei­ne Toch­ter ein Re­fe­rat über die Kö­nig­lich Baye­ri­sche Staats­ei­sen­bahn schrei­ben möch­te und un­be­dingt In­fo­ma­te­ri­al be­nö­tigt.

Nach­dem ich ge­ra­de ein paar Stich­pro­ben durch­ge­führt ha­be, muss ich lei­der fest­stel­len, dass sich die an­ti­quier­ten PDF-Da­tei­en nicht durch­su­chen las­sen. In die­sem Zu­stand sind die Do­ku­men­te kei­ne Hil­fe für mein Spätz­chen. Al­so bin ich ein gu­ter Va­ter und brin­ge zu­min­dest die Zug­zeit­schrif­ten in ein bar­rie­re­frei­es For­mat. Hier­für öff­ne ich zu­nächst ein neu­es Ter­mi­nal-Fens­ter, da­mit ich mir un­mit­tel­bar da­nach ei­nen Kon­ver­tie­rungs­be­fehl bas­teln kann:

ocrmypdf -l deu+eng /home/pinguin/Dokumente/Railways.pdf /home/pinguin/Dokumente/Railways_neu.pdf

Mein Opa Lu­kas hat mir so­wohl eng­li­sche wie auch deutsch­spra­chi­ge Ma­ga­zi­ne hin­ter­las­sen. Um nicht in je­de PDF hin­ein­schau­en zu müs­sen, tei­le ich der OCR-Soft­ware mit, dass sie die In­hal­te mit bei­den ver­füg­ba­ren Wort­da­ten­ban­ken ver­glei­chen soll. Durch die­se Maß­nah­me ver­län­gert sich na­tür­lich der Trans­for­ma­ti­ons­pro­zess, was sich wie­der­um ne­ga­tiv auf mei­ne En­er­gie­kos­ten aus­wirkt.

Nach cir­ca zehn Mi­nu­ten wur­de ein Re­pli­kat der Quell­da­tei an mei­nem vor­ge­ge­be­nen Ziel­ort er­stellt. Die Ko­pie lässt sich zwar durch­su­chen, ist aber um 2,1 Me­ga­byte grö­ßer als das Ori­gi­nal. Wie kann das sein? Beim Ver­glei­chen der Do­ku­men­te stel­le ich fest, dass das Imi­tat hoch­wer­ti­ger aus­sieht. Die Free­ware OCR­myPDF muss die Qua­li­tät des Aus­gangs­ma­te­ri­als oh­ne mein Zu­tun ver­bes­sert ha­ben.

Das ist ei­ne in­ter­es­san­te Er­kennt­nis. Denn nor­ma­ler­wei­se hät­te der Be­fehl fol­gen­der­ma­ßen aus­se­hen müs­sen, wenn es mir um die Op­ti­mie­rung der Ur­sprungs-PDF ge­gan­gen wä­re:

ocrmypdf -l deu+eng --deskew /home/pinguin/Dokumente/Railways.pdf /home/pinguin/Dokumente/Railways_neu.pdf

Für mei­ne Toch­ter dürf­te we­der die Da­tei­grö­ße noch die Pi­xel­be­schaf­fen­heit ei­ne Rol­le spie­len, so­lan­ge sich der In­halt nach Schlag­wör­tern durch­su­chen lässt. Dem­entspre­chend kon­ver­tie­re ich nun noch die rest­li­chen PDF-Do­ku­men­te nach dem Stan­dard­prin­zip, so­dass ich das Ar­chiv mei­nes Groß­va­ters an die nächs­te Ge­ne­ra­ti­on wei­ter­ge­ben kann.

Texte auf Bildern

Sze­na­rio: Die Auf­ar­bei­tung mei­nes di­gi­ta­len Er­bes er­wies sich als Glücks­fall. Wie sich her­aus­stell­te, sam­mel­te mein Opa Lu­kas nicht nur Ei­sen­bahn­ma­ga­zi­ne, son­dern auch Zei­tungs­ar­ti­kel. Re­por­ta­gen aus dem Ta­ge­blatt „Der Mor­gen” schie­nen den DDR-Lok­füh­rer be­son­ders zu in­ter­es­sie­ren. Das ist merk­wür­dig; schließ­lich war die­ses li­be­ral-de­mo­kra­ti­sche Pres­se­or­gan eher an­ti­kom­mu­nis­tisch un­ter­wegs. Doch ver­mut­lich dien­ten die Auf­sät­ze als Be­weis­ma­te­ri­al, das mein Vor­fah­re be­nö­tig­te, um die Au­toren we­gen Hoch­ver­rats an­zu­zei­gen. Die ein­ge­scann­ten Be­rich­te wur­den al­le als ein­zel­ne JPEG-Da­tei­en ge­spei­chert, wes­halb sich die Tex­te na­tür­lich nicht durch­su­chen las­sen. Die­sen Um­stand will ich än­dern, da ich un­kom­pli­ziert über­prü­fen möch­te, ob die Do­ku­men­te staats­zer­set­zen­de Pa­ro­len ent­hal­ten. Auch hier hilft mir OCR­myPDF wei­ter. Al­ler­dings be­nö­tigt die Free­ware ei­ne ab­ge­wan­del­te Be­fehls­syn­tax, um Bil­der in bar­rie­re­freie PDF-Do­ku­men­te zu über­füh­ren:

ocrmypdf -l deu --image-dpi 300 /home/pinguin/Dokumente/Zeitung.jpg /home/pinguin/Dokumente/Zeitung.pdf

Das Kom­man­do­zei­len­pro­gramm be­müht sich bei die­sem Kon­ver­tie­rungs­pro­zess eben­falls dar­um, die Qua­li­tät des Quell­ma­te­ri­als zu ver­bes­sern. Soll­te dies nicht ge­lin­gen, dann er­scheint im Ter­mi­nal die fol­gen­de Mel­dung: Image op­ti­miza­ti­on did not im­pro­ve the file.

Nach der Trans­for­ma­ti­on kann ich die PDF-Da­tei nicht nur durch­su­chen, son­dern Text­stel­len mar­kie­ren, ko­pie­ren und farb­lich her­vor­he­ben. Des Wei­te­ren ist es mit dem Do­ku­men­ten­be­trach­ter mög­lich, hin­ter den Sät­zen di­gi­ta­le Kle­be­zet­tel­chen an­zu­brin­gen, um den In­halt des Ar­ti­kels zu kom­men­tie­ren. Doch auf­ge­passt: No­ti­zen und Mo­di­fi­ka­tio­nen müs­sen mit der Tas­ten­kom­bi­na­ti­on Strg + S ma­nu­ell ge­spei­chert wer­den, da­mit die­se dau­er­haft er­hal­ten blei­ben.

Ver­wand­te The­men:

Ubun­tu auf dem Lap­top - so lässt sich die Ak­ku­lauf­zeit ver­län­gern
Al­te Vi­deo-DVDs in ISO-Da­tei­en ver­wan­deln - so ge­lingt die Ar­chi­vie­rung

¹Trink­wal­der, An­drea: Uni­ver­sal­tool für lau. Kos­ten­lo­se PDF-Soft­ware fürs Bü­ro und zu Hau­se. In: c’t Nr. 7 (2019). S. 111.
²Eg­ge­ling, Thors­ten: PDFs durch­such­bar ma­chen. In: Li­nux Welt Nr. 3 (2020). S. 64.
³Wäch­ter, Uwe: Op­ti­sche Zei­chen­er­ken­nung von Tex­ten in ein­ge­scann­ten Do­ku­men­ten. sealsystems.de (PDF) (11/2020).
⁴Ya­ma­guchi, Go­ro: Er­wei­te­rung der Scan­funk­ti­on. kyostatics.net (PDF) (11/2020).
⁵Se­bas­ti­an, Li­nus: How Does Op­ti­cal Cha­rac­ter Re­co­gni­ti­on (OCR) Work? youtube.com (11/2020).
⁶Bar­low, Ja­mes Ro­bert: OCR­myPDF do­cu­men­ta­ti­on. ocrmypdf.io (11/2020).
⁷Vet­ter, Ve­ro­ni­ka Hel­ga: Ubun­tu: Vi­ren, Wür­mer und Tro­ja­ner auf­spü­ren - Sys­tem­si­cher­heit er­hö­hen. pinguin.gws2.de (11/2020).