Bonsoir,
Le 01/09/2017 à 05:37, anne.guilde@??? a écrit :
> Le 30/08/2017 à 22:22, Olivier Allard-Jacquin a écrit :
>> Bonsoir,
>>
>> Le 30/08/2017 à 16:57, ALD a écrit :
>>>
>>>
>>> Le mercredi 30 août 2017, 16:41:06 anne.guilde@??? a écrit :
>>>
>>>>
>>>> Pour Tesseract pas bien compris comment s'en servir avec un pdf
>>>>
>>>
>>> Forcément puisque ces logiciels vont faire de l'OCR sur une image
>>> (c'est bien
>>> ce que tu avais dit: le texte est sous forme d'image).
>>>
>>> Il faut donc leur donner une image à digérer, pas le pdf.
>>>
>>> Si je me souviens bien, les images dans les pdf sont au format jpeg.
>>>
>>> Je ne sais pas comment sont fait tes pdf, mais tu peux les ouvrir avec
>>> libreoffice draw et n'extraire que les images. il y a peut etre des
>>> utilitaires en ligne de commande aussi, mais je ne les connais pas.
>>
>> Pour extraire les images d'un PDF, j'utilise "pdfimages" qui me les
>> sort en "*.ppm", puis "convert" pour les convertit en pdf.
>>
>> - Soit "PDF_FILE" le fichier PDF à traiter
>> - Et "IMAGES", le répertoire temporaire qui va contenir les images
>> - Alors:
>>
>> mkdir IMAGES
>> pdfimages -j ../PDF_FILE IMAGES/image
>>
>> A partir de là, plein de fichiers IMAGES/image* sont créés
>
> effectivement des jpg et des pbm
Google -> pbm -> https://fr.wikipedia.org/wiki/Portable_pixmap
$ identify -list format|grep -i pbm
PBM* PNM rw+ Portable bitmap format (black and white)
=> "convert" support le PBM ...
>> cd IMAGES
>> for I in *.ppm; do convert "$I" "${I%%.ppm}.jpg" > /dev/null; done
>
> pas de ppm dans le dossier IMAGES
Remplace ppm par pbm dans la ligne ci-dessus.
Et voilà !
>> Pour installer les programmes :
>> aptitude install poppler-utils imagemagick
>>
>
> C'était déjà installé
>
> J'ai juste eu à utiliser pdfimages que je ne connaissais pas
>
> J'ai essayé d'utiliser tesseract-ocr et ocrfeeder
> Pas réussi à utiliser
>
> J'ai testé ocrmypdf qui lui-même utilise tesseract
> ocrmypdf source-image.pdf sortie-texte.pdf
>
> Cela a donné un résultat tout à fait acceptable.
>
> Merci à tous
>
> Anne
Olivier
--
~~~~~~~ _____/\_____ ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
Phoenix / _ \/ _ \ Olivier Allard-Jacquin
/ / \ / \ \ Web: http://olivieraj.free.fr/
/___/ / \ \___\ Mail: olivieraj@???
~~~~ ///// ///\\\ \\\\\ ~~~~~~~~~~~~~~~~~~~~~~~ Linux Powered !!
.%0A>%20>>>%0A>%20>>>%20Il%20faut%20donc%20leur%20donner%20une%20image%20%C3%A0%20dig%C3%A9rer,%20pas%20le%20pdf.%0A>%20>>>%0A>%20>>>%20Si%20je%20me%20souviens%20bien,%20les%20images%20dans%20les%20pdf%20sont%20au%20format%20jpeg.%0A>%20>>>%0A>%20>>>%20Je%20ne%20sais%20pas%20comment%20sont%20fait%20tes%20pdf,%20mais%20tu%20peux%20les%20ouvrir%20avec%0A>%20>>>%20libreoffice%20draw%20et%20n'extraire%20que%20les%20images.%20il%20y%20a%20peut%20etre%20des%0A>%20>>>%20utilitaires%20en%20ligne%20de%20commande%20aussi,%20mais%20je%20ne%20les%20connais%20pas.%0A>%20>>%0A>%20>>%0A>%20>>%20-%20Soit%20%22PDF_FILE%22%20le%20fichier%20PDF%20%C3%A0%20traiter%0A>%20>>%20-%20Et%20%22IMAGES%22,%20le%20r%C3%A9pertoire%20temporaire%20qui%20va%20contenir%20les%20images%0A>%20>>%20-%20Alors:%0A>%20>>%0A>%20>>%20mkdir%20IMAGES%0A>%20>>%20pdfimages%20-j%20../PDF_FILE%20IMAGES/image%0A>%20>>%0A>%20>>%20A%20partir%20de%20l%C3%A0,%20plein%20de%20fichiers%20IMAGES/image*%20sont%20cr%C3%A9%C3%A9s%0A>%20>%20%0A>%20>%20effectivement%20des%20jpg%20et%20des%20pbm%0A>%20%0A>%20%0A>%20%0A>%20=>%20%22convert%22%20support%20le%20PBM%20...%0A>%20%20%20%20%20%0A>%20%0A>%20>>%20cd%20IMAGES%0A>%20>>%20for%20I%20in%20*.ppm;%20do%20convert%20%22%24I%22%20%22%24%7BI%%.ppm%7D.jpg%22%20>%20/dev/null;%20done%0A>%20>%20%0A>%20>%20pas%20de%20ppm%20dans%20le%20dossier%20IMAGES%0A>%20%0A>%20%0A>%20%0A>%20>>%0A>%20>%20%0A>%20>%20C'%C3%A9tait%20d%C3%A9j%C3%A0%20install%C3%A9%0A>%20>%20%0A>%20>%20J'ai%20juste%20eu%20%C3%A0%20utiliser%20pdfimages%20que%20je%20ne%20connaissais%20pas%0A>%20>%20%0A>%20>%20J'ai%20essay%C3%A9%20d'utiliser%20tesseract-ocr%20et%20ocrfeeder%0A>%20>%20Pas%20r%C3%A9ussi%20%C3%A0%20utiliser%0A>%20>%20%0A>%20>%20J'ai%20test%C3%A9%20ocrmypdf%20qui%20lui-m%C3%AAme%20utilise%20tesseract%0A>%20>%20ocrmypdf%20source-image.pdf%20%20sortie-texte.pdf%0A>%20>%20%0A>%20>%20Cela%20a%20donn%C3%A9%20un%20r%C3%A9sultat%20tout%20%C3%A0%20fait%20acceptable.%0A>%20>%20%0A>%20>%20Merci%20%C3%A0%20tous%0A>%20>%20%0A>%20>%20Anne%0A>%20%0A>%20%0A>%20%0A>%20%0A>%20 "Nachricht beantworten")