Scannen von Texten zu PDF - Handhabung und Software

    Nicht jeder hat die richtige Software oder Erfahrung damit, weshalb hier wohl ein Erfahrungsaustausch notwendig ist.


    Beispiel wie es doch recht umständlich ist, vor allem wird die PDF zu groß.

    Quote

    Ich scanne die Seiten einzeln mit 600 dpi, je nach Vorlage farbig, grau oder schwarz/weiß.

    Dann füge ich alle Seiten in eine Word-Datei und exportiere die dann als PDF.

    Ist natürlich etwas umständlich, aber so kann ich einzelne Seiten noch retuschieren, wenn das notwendig ist.

    Gruß


    Die Frage ist jetzt wie die PDF von Word aus erstellt werden kann.


    Ich habe z.B. den PDF 24 Creator der kostenlos für Endanwender ist.

    Beim Drucken nach PDF gibt es die Möglichkeit der Auswahl, in welcher Qualität die PDF erstellt werden soll.


    Ähnliches sollte es auch bei anderen 'nach PDF Druckern geben.







    Die Datei wurde mit Abbyy Finereader eingelesen, ocrd und gespeichert.

    Deck.- und Rückseite habe ich anschließend mit dem PDF Exchange Editor von der Farbpdf in die sw PDF eingefügt.

    Beide Programme sind nicht kostenlos, wenn aber jemand viele PDFs bearbeitet sind sie ein gutes Werkzeug.


    KONTRON_Mikrocomputer-Datenbuch _79-80_abbyy_sw.pdf

  • fritzeflink

    Changed the title of the thread from “Scannen von Texten - Handhabung und Software” to “Scannen von Texten zu PDF - Handhabung und Software”.

    Ja, das ist natürlich schon ein Grund. Word ist da sicher nur eine Notlösung, sofern man nichts Besseres hat.


    Mein normaler semi-professioneller Weg ist der, dass ich

    - den schnellen Scanner im Büro nutze, z.B. in der Mittagspause,

    - vom Scanner eine PDF Datei per E-Mail zugeschickt bekomme,

    - diese mit Acrobat Professional OCR bearbeiten lasse,

    - Bookmarks zur Navigation manuell zufüge, z.B. bei Buchkapiteln,

    - das ganze dann möglichst ohne weitere Optimierung abspeichere, oder wenn "optimiert">, dann nur nach genauem Vergleich bzgl. Auflösung.


    In Acrobat Professional habe ich mir z.B. Skripte (geht dort mit Javascript) geschrieben, die 2 oder vier Seitenscans aufteilen oder auch Seiten automatisch umsortieren. Auch rechts/link Bundstege kann man damit anpassen. Der normale Acrobat Reader kann das nicht.


    Leider gibt es den Acrobat so nicht mehr als Standalone Programm und zweitens ist der recht teuer (vielleicht kann man den aber inzwischen auch mal in EBay finden, man sollte aber auf eine Registriernummer achten.)


    Wenn der Acrobat dann mal auf Windows xy nicht mehr läuft, muss ich mich vermutlich mal nach Python Libraries umsehen, da sollte es doch inzwischen eigentlich auch Module zum Bearbeiten von PDFS geben. Von Hand 200+ Dateien zusammenzubasteln, zu sortieren, zu beschneiden etc. macht keinen Spaß. Vielleicht hat hier jemand Erfahrung mit solchen scriptbaren PDF-Programmen?


    Ein weiteres nützliches Werkzeug ist auch Ghostscript, da gibt es einiges an Import- und Export Filtern und man kann damit auch geschützte PDF Dokumente umwandeln, damit man z.B. Seiten umsortieren kann.


    [Was ich vermeide, ist unnötige Farb- oder Graustufenscans bei reinen schwarz-weiss Dokumenten. Da gehen zwar die Meinungen auseinander, aber die inzwischen oft zu findenden Graustuft-Scans oder Handy-Photos lassen sich nicht schön ausdrucken oder weiterverarbeiten. Es gibt ja praktisch keine Graustufendrucker und beim Rastern wird dann alles unscharf. Da scanne ich lieber mit 600 dpi oder mehr schwarz-weiß, sofern keine Photos im Spiel sind.


    Ganz schlimm sind auch progressive Scans, wie man sie teilweise bei archive.org findet. Da wird das Bild komplette zerlegt und in Vektorgrafik ebenen-weise aufgebaut, wodurch vieles kaum lesbar wird.


    Oder auch Scans bei denen durch OCR die Original-Bitmap ersetzt wird und nicht als unsichtbares Overlay abgespeichert wird. Da scheint es von Epson solche Scanner/Software zu geben - auf der Epson Web Seite sind fast alle Drucker-Manuals so behandelt und dann fehlen teilweise Zeichen (z.B. in Beispiel BASIC Listings) oder die Formatierung ist total "versaut". Zu viel gekünstelte Intelligenz.]

    Als jemand, der schon viele Regalmeter Akten und Bücher gescannt und OCRt hat, kann ich auch ein Bisschen etwas dazu sagen.


    Wenn viele gebundene Sachen gescannt werden sollen, kann ich die Anschaffung eines Stapelschneiders empfehlen. Das hängt natürlich davon ab, ob das Material anschließend entsorgt werden kann bzw. ob wichtig ist, dass die Sachen im Originalzustand erhalten bleiben. Bei den vielen Schulbüchern meiner Frau war klar, dass sie anschließend entsorgt werden konnten. Bei Doku kommt es darauf an und wertvolle Bücher wird man sicher nicht zerschneiden wollen. Als Kompromiss gibt es Archivschrauben, mit denen man auch dicke und gelochte Bücher provisorisch „binden“ kann.


    Zum Scannen kann ich nur wärmstens den Fujitsu ScanSnap ix1500 empfehlen. Und zwar unter macOS und Windows. Der bringt auch gleich ein ABBYY FineReader mit. Das ist im Funktionsumfang reduziert und an den ScanSnap gebunden. D.h. man kann damit nur PDF durch die Mühle drehen, die mit dem ScanSnap erstellt wurden und die Engine ist nicht die allerneueste. Aber es gibt einen unschlagbaren Vorteil für die 90% der Alltags-Scans: Ein Knopfdruck am Scanner und man hat kurz darauf ein PDF mit OCR. Der Rechner muss dabei immer laufen. Der Scanner ist zwar nicht ganz billig, aber im Vergleich zu industriellen Komplettlösungen, die auch gleich das OCR erledigen, sehr günstig.


    Der Scanner scannt mit max. 600dpi und beide Seiten eines A4-Blatts auf einmal. Wobei ich 600dpi für den Alltag nicht empfehlen kann. Das nutze ich höchstens für Vorlagen, bei denen Bilder im Vordergrund stehen. Also z.B. Artbooks oder sehr hochwertige naturwissenschaftliche Bücher, etc. Für alles andere ist das Oberkill und der Standardmodus des Scanners sind (auch von der Geschwindigkeit her) 300dpi. Sehr angenehm ist der Auto-Modus bei der Farbe. Das ist nämlich das nächste Thema. Sehr viele technische Dokumente scanne ich mit 1Bit, also Schwarzweiß. Ansonsten muss man von Fall zu Fall entscheiden, ob Graustufen oder Farbe sinnvoller sind — oder eben Auto, was auch mal daneben greift. Fujitsu hat mit seinem ScanSnap aber wirklich ein geniales Gerät geschaffen, das im Alltag einfach sehr „rund“ ist und zuverlässig funktioniert.


    Möchte man aus einem nativen(!) Word- oder LibreOffice-Dokument ein pdf machen, dann ist immer der direkte Export aus der Anwendung vorzuziehen. So bekommt man minimal große PDF und die jeweilige Anwendung weiß ganz genau, was sie exportiert und wie das am Effizientesten nach PDF umsetzbar ist. Achtung: Beim Export über den Drucken-Dialog ist nicht garantiert, dass das PDF anschließend auch sinnvoll durchsuchbares enthält. Ich habe es schon erlebt, dass dabei die Zeichen kaputt gegangen sind. Das PDF sah dann zwar 1:1 in Ordnung aus, der Text war kopierbar, aber dann in der Zwischenablage „kaputt“. D.h. die „visuelle“ Schicht war da, aber der Text im Hintergrund defekt.


    Word & Co können natürlich (soweit mein Wissensstand) aus einem importierten Bild kein durchsuchbares PDF machen.


    Bzgl. Der Bearbeitung von PDF haben Mac-Anwender einen großen Vorteil, denn der Mac macht schon mit Bordmitteln aus Bildern PDF und bietet mit der Vorschau ein in das OS integriertes, mächtiges Werkzeug zum Bearbeiten von PDF an. (Seiten einfügen, verschieben, löschen, drehen, etc.) Man kann hier auch ganz einfach zwei PDF kombinieren.


    Für die Zukunft wird sich das Thema manuelles OCR irgendwann von selbst erledigen. Es ist jetzt schon so, dass iPhones und Macs Text in Fotos direkt erkennen. Man kann also Text direkt aus einem gerade geknipsten Foto herauskopieren. Auch mein NAS (QNAP) kann inzwischen Text auch in der Foto-Bibliothek erkennen. Das ist alles noch nicht ausgereift. Aber es zeigt, wo die Reise hin geht. Aus diesem Grund bewahre ich übrigens immer die gescannten Originale auf. Also die Versionen ohne OCR und somit ohne erneute Komprimierung, die leider oft Teil des dem Scannen nachgelageten OCR-Prozesses ist. Natürlich bewahre ich nicht von jeder Handwerkerrechnung beide Versionen auf.


    LG

    Jens

    Quote from jewesta

    Aus diesem Grund bewahre ich übrigens immer die gescannten Originale auf. Also die Versionen ohne OCR und somit ohne erneute Komprimierung, die leider oft Teil des dem Scannen nachgelageten OCR-Prozesses ist

    Nur für meine Archivierung:

    Die Original scanne ich nach BMP - archiviert wird zum Vorgang alles mit RAR. BMP deshalb weil ich schon nach Jahren defekte PNGs und JPEGs hatte, da fehlte dann die Hälfte des Bildes. Bei der BMP ist ein Fehler nicht ganz so schlimm und der Platz auf meinen Datenträgern ist ausreichend.

    Das bezieht sich allerdings auf Scans die ich zwecks Archivierung und Dokumentation mache. Mein Frau schiebt ihre Blätter kurz in den Scanner - drückt eine Taste - und hat die PDF in ausreichender Qualität auf ihrem Rechner.

    ich scanne zunächst als jpg mit 300dpi (Flachbettscanner), erstelle dann ein PDF und mache es mit PDF24 durchsuchbar


    PDF Seiten zurecht drehen oder beschneiden nehme ich dann Nuance Power PDF


    habe etliche CHIP Hefte gescannt, die haben auch schon eher Buch Grösse, da oft 300 Seiten und mehr, allerdings habe ich einen A3 Scanner


    die Grösse beträgt ca. 150 - 230 MB je PDF

    Quote from fritzeflink

    Wie kann mit aktuellem Word(*) eine einigermaßen kleine aber gute PDF erstellt werden ?

    Datei->Speichern unter->einen Pfad wählen, um den Standard-Win-Save-Dialog zu bekommen für die Optionen->statt "Word Dokument" PDF wählen.-> "Optimieren für" z.B. Minimale größe. Zusätzlich neben dem SPeichern-Dialog wie gewohnt bei Word das"tools"-Dropdown öffen, dort "Bild" komprimieren" wählen und eine der gewünschten Optionen aussuchen. Speichern.


    Grade mal geschaut, 10MB Word Antragsformular auf 700kb.

    Ich nutze immer noch FreePDF... ansonsten LibreOffice mit der PDF Funktion.

    Gruß Torsten

    BFZ MFA, ZX80Core, AX81, ZX81, ZX81NU, Spectrum+, Harlequin, MSX VG8010, Amstrad NC100, Cambridge Z88, C64, C128D, Amiga 500 & 1200, Atari Portfolio, HP200LX, IBM PC5155, TP755c, TP755cx, T20, T41, T61, PS/2 (Model 40SX), PS/2E, Accura 101, Apple //e, Sharp PC1401 & PC1403H, TI59 m. PC-100c, HP48SX & HP48GX


    An die Person, die meine Schuhe versteckt hat, während ich auf der Hüpfburg war: Werd' erwachsen! :motz:


    ::matrix::

    @tofro, ...
    > Ich bin eigentlich mit dem freien tesseract ganz zufrieden - Fabriziert aus bitmap-scans searchable pdfs,
    > kann viele, viele Sprachen, und bringt ordentliche Ergebnisse.

    ... jetzt bin ich halt leider :( so Windows Fan.
    Funktioniert das tesseract auch unter Windows ?


    mfG. Klaus Loy

    Quote from klaly

    ... jetzt bin ich halt leider :( so Windows Fan.

    Selber schuld.... ;)


    Quote

    Funktioniert das tesseract auch unter Windows ?

    Ja, es gibt fertige Windows-binaries (wenn du ein bißchen suchst, findest du bestimt auch eine grafische Oberfläche), z.B. hier.


    An derselben Stelle gibt es auch speziell fertig trainierte Dateien zum Lesen von Frakturschriften, mit denen sich OCR erfahrungsgemäß ein bißchen schwer tut.

    Quote from fritzeflink

    Die Original scanne ich nach BMP - archiviert wird zum Vorgang alles mit RAR. BMP deshalb weil ich schon nach Jahren defekte PNGs und JPEGs hatte, da fehlte dann die Hälfte des Bildes.

    Es ist wirklich erstaunlich, dass extrem selten aber doch immer wieder mal ein JPEG oder PNG kaputt geht. Kürzlich hatte ich auch mal wieder eine defekte Datei auf dem NAS. In dem Fall war es ein ZIP. Da fragt man sich manchmal schon, wie sicher das ganze ist. :) Bei JPEG denke ich immer, dass das zukünftige Generationen bestimmt einmal verfluchen werden. Eigentlich ist das ja ein riesiger Mist, wenn man mal so mit Abstand darüber nachdenkt. Genau wie MP3. Ein Jammer, dass sich JPEG2000 nie durchgesetzt hat. Das hat ja einen verlustfreien Modus, der fast unschlagbare Kompression liefert. Eine zeitlang habe ich damit alles archiviert. Aber das war damals noch zu rechenaufwändig und wie gesagt ist es leider kaum bekannt. Irgendwie waren die damit zu früh dran und haben den Fehler gemacht es nicht frei zur Verfügung zu stellen.


    Ansonsten finde ich: Manchmal ist es wichtiger, das System beizubehalten, das man sich selbst zurechtgelegt hat, als zu sehr auf Effizienz zu achten. Zumal Speicher immer billiger wird. Das ist wie bei der Programmierung: Standardisierung vor Optimierung. Ich würde z.B. RAR heute nicht mehr verwenden, weil es sich einfach zu einem exotischen Format entwickelt hat. Die wenigen Prozent Platzgewinn sind nicht mehr so ausschlaggebend wie sie es zu Modem-Zeiten einmal waren. Aber: Wenn man jetzt alles so gemacht hat -- klar, dann würde ich dabei bleiben.

    Quote from klaly

    ... jetzt bin ich halt leider :( so Windows Fan.
    Funktioniert das tesseract auch unter Windows ?

    Nur so nebenbei: Ich verwende schon lange kein Windows mehr, aber mit Texterkennung sieht es auf dem Mac ganz fürchterlich dürftig aus. :( Da schiele ich sehr neidisch in Richtung Windows. Es gibt nämlich inzwischen am Mac nur noch ABBYY. Und die von ABBYY haben zu allem Überfluss auch noch den Fehler gemacht, zu lange mit der Umstellung auf macOS 11 (Big Sur) zu warten. Das ja jetzt auch schon wieder alt ist. Jetzt gibt es die absurde Situation, dass das alte ABBYY unter OS 11+ nicht mehr vernünftig läuft (wesentliche Teile sind schlicht kaputt) und das neue ABBYY diese Funktionen aber noch nicht hat. Zum Beispiel fehlt fast der komplette Seiten-Editor, sodass man noch nicht einmal Schmutz etc. aus einzelnen Seiten entfernen kann.

    Quote from tofro
    Quote from jewesta

    Nur so nebenbei: Ich verwende schon lange kein Windows mehr, aber mit Texterkennung sieht es auf dem Mac ganz fürchterlich dürftig aus. :(

    Ich verwende das oben erwähnte Tesseract auf dem Mac

    Dann muss ich mir das doch noch einmal anschauen! Verwendet das nicht auch archive.org?
    Leider wird es dazu vermutlich keine GUI geben, nehme ich an? Ich muss gestehen, dass ich im Alltag dann doch eher der Mausschubser bin...

    Quote from jewesta
    Quote from tofro
    Quote from jewesta

    Nur so nebenbei: Ich verwende schon lange kein Windows mehr, aber mit Texterkennung sieht es auf dem Mac ganz fürchterlich dürftig aus. :(

    Ich verwende das oben erwähnte Tesseract auf dem Mac

    Dann muss ich mir das doch noch einmal anschauen! Verwendet das nicht auch archive.org?
    Leider wird es dazu vermutlich keine GUI geben, nehme ich an? Ich muss gestehen, dass ich im Alltag dann doch eher der Mausschubser bin...

    Doch, GUI´s gibt es da auch. Schau dir mal diese Seite an.

    Eigentlich finde ich ja Linux ganz super toll, so wie gesamte Open Source Szene.
    Ich bewundere die Leute, die ALLES mit Linux machen.
    Aber ich bin halt so furchtbar bequem und außerdem bei uns auf der Arbeit sind sie ja 120% ige M$ und somit Windows Anhänger.


    Den Tesseract für Windows muss ich mir mal näher ansehen.


    mfG. Klaus Loy

    Quote from Bodhi1969
    Quote from jewesta
    Quote from tofro
    Quote from jewesta

    Nur so nebenbei: Ich verwende schon lange kein Windows mehr, aber mit Texterkennung sieht es auf dem Mac ganz fürchterlich dürftig aus. :(

    Ich verwende das oben erwähnte Tesseract auf dem Mac

    Dann muss ich mir das doch noch einmal anschauen! Verwendet das nicht auch archive.org?
    Leider wird es dazu vermutlich keine GUI geben, nehme ich an? Ich muss gestehen, dass ich im Alltag dann doch eher der Mausschubser bin...

    Doch, GUI´s gibt es da auch. Schau dir mal diese Seite an.

    Die sind leider alle nicht ganz so dolle und werden möglicherweise die Erwartungshaltung eines "professionellen Maussschubsers" enttäuschen. Das tut der Funktionalität des eigentlichen OCR-Programms aber keinen Abbruch. Hier lohnt es sich vielleicht wirklich, sich auf die Kommandozeile zu begeben.