NicoWeio / GeschiV-Mitteilungen-Scans-Processing

Ein kleines Tool, um die Scans der Mitteilungen des Vereins für Geschichte und Heimatpflege Soest e. V. zu ansehnlichen, durchsuchbaren PDFs zu verarbeiten.

Mitteilungen-Scans-Processing

Dies ist ein kleines Tool, um die Scans der Mitteilungen des Vereins für Geschichte und Heimatpflege Soest e. V. zu ansehnlichen, durchsuchbaren PDFs zu verarbeiten. Ganz bestimmt gibt es bessere Wege – beispielsweise könnte ich Pillow auch verwenden, um convert zu ersetzen – aber so ist das Projekt eben gewachsen und gut genug.

Benutzung

Benötigt werden:

• Kommandozeilen-Tools:
  • pdftoppm → Poppler
  • convert → ImageMagick
  • unpaper
  • img2pdf
  • ocrmypdf
• Python-Pakete
  • click
  • Pillow

Dann kann das Tool wie folgt aufgerufen werden:

./main.py [OPTIONS] input.pdf output.pdf

Ohne dieses Tool: Der Weg über die Kommandozeile

pdftoppm Scan-PDFs/Mitteilungen_20.pdf PPMs/Mitteilungen_20
convert PPM-orig/Mitteilungen_20-8.ppm -normalize -colorspace HSL -channel lightness -fx 'min(1.0,u.b*1.075)' -colorspace RGB -colorspace Gray PPM-convert/Mitteilungen_20-8.ppm
unpaper --overwrite --layout double --output-pages 2 --no-blackfilter --no-noisefilter --no-blurfilter --no-grayfilter --no-mask-scan --no-mask-center --no-deskew --no-wipe --no-border --no-border-scan --no-border-align PPM-convert/Mitteilungen_20-%d.ppm PPM-unpaper/Mitteilungen_20-%d.ppm
ocrmypdf -l deu PDF-img2pdf/Mitteilungen_20.pdf PDF-OCR/Mitteilungen_20.pdf