Scansione - Cronologia

Pol il 17:13, 30 mar 2019

2019-03-30T17:13:59Z

← Versione meno recente		Versione delle 17:13, 30 mar 2019
Riga 123:		Riga 123:

	<code>$ pdftk pg_0001.pdf dump_data \| grep PageMediaRect		<code>$ pdftk pg_0001.pdf dump_data \| grep PageMediaRect

	PageMediaRect: 0 0 935.433 680.315</code>		PageMediaRect: 0 0 935.433 680.315</code>

Pol il 16:41, 24 gen 2019

2019-01-24T16:41:58Z

@@ Riga 103: / Riga 103: @@
 === Pagine Doppie ===
-Capita di trovare documenti .pdf che siano scansioni di buona qualità oppure file vettoriali, ma che siano a doppia pagina. Nel caso in cui si tratti di una scansione, è possibile procedere con scantailor, trattanto ogni pagina per l'immagine che è. Nel caso in cui si abbia a che fare con file vettoriali, si vuole normalmente conservare l'informazione vettoriale. Si può procedere con pdfcrop:
+Capita di trovare documenti .pdf che siano scansioni di buona qualità oppure file vettoriali, ma che siano a doppia pagina. Nel caso in cui si tratti di una scansione, è possibile procedere con scantailor, trattanto ogni pagina per l'immagine che è. Nel caso in cui si abbia a che fare con file vettoriali, si vuole normalmente conservare l'informazione vettoriale. Si può procedere con pdfcrop sulle singole pagine. In primo luogo si può individuare la porzione di file che ha le pagine doppie e isolarla, che nell'esempio seguente è tra la pagina 2 e la fine del libro:
 <code>$ pdfcrop --bbox "<left> <bottom> <right> <top>" input.pdf output.pdf</code>
 ==Condivisione==

Pol: trablosciuting in tesseract

2019-01-11T14:24:23Z

trablosciuting in tesseract

← Versione meno recente		Versione delle 14:24, 11 gen 2019
Riga 46:		Riga 46:

	<code>$ tiff2pdf multipage.tiff megapdf.pdf</code>		<code>$ tiff2pdf multipage.tiff megapdf.pdf</code>

			====Troubleshooting====
			Il ciclo for fallisce con l'errore:

			<code> convert: attempt to perform an operation not allowed by the security policy `PDF' </code>

			È necessario modificare le regole di policy di Imagemagick 7 nel file <code>/etc/ImageMagick-7/policy.xml</code>, <b>commentando</b> la seguente riga:

			<code> <policy domain="coder" rights="none" pattern="{PS,PS2,PS3,EPS,PDF,XPS}" /> </code>

	===Briss===		===Briss===

Pol: /* METADATA */

2018-09-19T14:43:12Z

METADATA

← Versione meno recente		Versione delle 14:43, 19 set 2018
Riga 54:		Riga 54:
	dalla cartella dove si è scompattato il software.		dalla cartella dove si è scompattato il software.

	== ~~METADATA~~ ==		== METADATI ==

	è tutto una bozza qui quando ho un attimo di tempo lo metto apposto		è tutto una bozza qui quando ho un attimo di tempo lo metto apposto
Riga 62:		Riga 62:

	tips per anonimizzare il tuo file:		tips per anonimizzare il tuo file:

	usa MAT (Metadata Anonymizer Tool)		usa MAT (Metadata Anonymizer Tool)
	oppure
			oppure per un PDF:

	<code>$ exiftool -overwrite_original -t -Creator="" -CreateDate="" -CreatorTool="" -Producer="" -DocumentID="" -InstanceID="" -SigningAuthority="" topsecretsegretissimofile.pdf </code>		<code>$ exiftool -overwrite_original -t -Creator="" -CreateDate="" -CreatorTool="" -Producer="" -DocumentID="" -InstanceID="" -SigningAuthority="" topsecretsegretissimofile.pdf </code>

	~~oppure~~		mentre per un DJVU:

	<code>$ djvused -v topsecretsegretissimofile.djvu -e "remove-meta; save" </code>		<code>$ djvused -v topsecretsegretissimofile.djvu -e "remove-meta; save" </code>

Pol il 14:42, 19 set 2018

2018-09-19T14:42:14Z

← Versione meno recente		Versione delle 14:42, 19 set 2018
Riga 53:		Riga 53:

	dalla cartella dove si è scompattato il software.		dalla cartella dove si è scompattato il software.

			== METADATA ==

			è tutto una bozza qui quando ho un attimo di tempo lo metto apposto

			pdf -> usa exiftool
			djvu -> usa djvused (per djvu non c'è uno standard sui tag da utilizzare)

			tips per anonimizzare il tuo file:
			usa MAT (Metadata Anonymizer Tool)
			oppure
			<code>$ exiftool -overwrite_original -t -Creator="" -CreateDate="" -CreatorTool="" -Producer="" -DocumentID="" -InstanceID="" -SigningAuthority="" topsecretsegretissimofile.pdf </code>

			oppure

			<code>$ djvused -v topsecretsegretissimofile.djvu -e "remove-meta; save" </code>

	== OCR ==		== OCR ==

Pol il 13:38, 19 set 2018

2018-09-19T13:38:24Z

← Versione meno recente		Versione delle 13:38, 19 set 2018
Riga 35:		Riga 35:
	L'output di scantailor sono una serie di immagini tiff che possono essere compattate in un unico .pdf generando prima una .tiff multipagina:		L'output di scantailor sono una serie di immagini tiff che possono essere compattate in un unico .pdf generando prima una .tiff multipagina:

	<code>$ tiffcp out_di_scantailor/*.~~tiff~~ multipage.~~tiff~~</code>		<code>$ tiffcp out_di_scantailor/*.tif multipage.tif</code>

			Probabilmente vorrai dare un'aggiustatina alla dimensione di ogni immagine, in particolare se hai scelto di lavorare su un progetto a risoluzione molto alta. Se vuoi riscalare del 60% le tue immagini puoi dare un comando del genere:

			<code>$ for i in *.tif; convert -resize 60% $i "${i%.tif}_2.tif";</code>

			che genererà in output le immagini ridimensionate mettendoci un _2 alla fine.

	~~e poi convertendola in un~~ pdf:		Puoi infine procedere a creare il tuo pdf:

	<code>$ tiff2pdf multipage.tiff megapdf.pdf</code>		<code>$ tiff2pdf multipage.tiff megapdf.pdf</code>

Pol il 22:42, 24 set 2017

2017-09-24T22:42:57Z

← Versione meno recente		Versione delle 22:42, 24 set 2017
Riga 67:		Riga 67:

	Il processo è estremamente pesante dal punto di vista computazionale: nel caso in cui si stia lavorando con un PC portatile, potrebbe essere necessaria l'alimentazione da rete elettrica. Potrebbe essere inoltre utile monitorare periodicamente la temperatura della CPU e posizionare la macchina in modo che il sistema di raffreddamento massimizzi il flusso d'aria.		Il processo è estremamente pesante dal punto di vista computazionale: nel caso in cui si stia lavorando con un PC portatile, potrebbe essere necessaria l'alimentazione da rete elettrica. Potrebbe essere inoltre utile monitorare periodicamente la temperatura della CPU e posizionare la macchina in modo che il sistema di raffreddamento massimizzi il flusso d'aria.

			=== Pagine Doppie ===
			Capita di trovare documenti .pdf che siano scansioni di buona qualità oppure file vettoriali, ma che siano a doppia pagina. Nel caso in cui si tratti di una scansione, è possibile procedere con scantailor, trattanto ogni pagina per l'immagine che è. Nel caso in cui si abbia a che fare con file vettoriali, si vuole normalmente conservare l'informazione vettoriale. Si può procedere con pdfcrop:

			<code>$ pdfcrop --bbox "<left> <bottom> <right> <top>" input.pdf output.pdf</code>


	==Condivisione==		==Condivisione==

Silena il 20:12, 19 set 2017

2017-09-19T20:12:10Z

← Versione meno recente		Versione delle 20:12, 19 set 2017
Riga 23:		Riga 23:
	<code>$ pdftk multipage_document.pdf burst</code>		<code>$ pdftk multipage_document.pdf burst</code>

	questo genera tanti file quanti sono le pagine nominati come pg_001.pdf, pg_002.pdf, ecc. Questi possono essere convertiti in png usando:		questo genera tanti file quanti sono le pagine nominati come pg_001.pdf, pg_002.pdf, ecc. Questi possono essere convertiti in png usando su zsh:

	<code>$ for i in *.pdf; convert -density 300 $i "${i%.pdf}.png";</code>		<code>$ for i in *.pdf; convert -density 300 $i "${i%.pdf}.png";</code>

			altrimenti su bash:

			<code>$ for i in *.pdf; do convert -density 300 $i "${i%.pdf}.png"; done </code>


	Così si ottengono le immagini da dare in pasto a scantailor.		Così si ottengono le immagini da dare in pasto a scantailor.
Riga 34:		Riga 39:
	e poi convertendola in un pdf:		e poi convertendola in un pdf:

	<code>$ tiff2pdf ~~megatiff~~.tiff megapdf.pdf</code>		<code>$ tiff2pdf multipage.tiff megapdf.pdf</code>

	===Briss===		===Briss===

Pol: Aggiunta fase di scansione

2017-05-07T15:48:30Z

Aggiunta fase di scansione

← Versione meno recente		Versione delle 15:48, 7 mag 2017
Riga 5:		Riga 5:

	==Scansione==		==Scansione==
			Fai un po' di prove di scansioni singole di pagine che rappresentino bene in termini di distribuzione del colore, testo e distribuzione del contenuto quello che andrai a scansionare: se la stampante te lo permette, valuta se è opportuno regolare contrasti e luminosità per ottenere una scansione più nitida. Imposta una buona risoluzione: deve essere sufficientemente alta da rendere nitido e definito il risultato finale, ma non troppo da appesantire eccessivamente ogni fase del lavoro; normalmente 400 ''ppi'' sono un buon compromesso. Imposta infine il formato di scansione: è consigliabile scegliere un formato ben definito anziché la modalità di autorilevamento del formato, in modo da ottenere immagini tutte uguali. Cerca infine di posizionare il documento in modo da farne coincidere il più possibile l'angolo con quello dello scanner.

			Per la scansione, se lo scanner ne è provvisto, è consigliabile la modalità PDF multipagina. Normalmente la memoria interna di uno scanner è molto limitata, quindi il lavoro potrà dover essere spezzato su più PDF distinti. In questo caso sarà sufficiente rinominarli con un nome progressivo (''e.g.'' SCAN01.pdf, SCAN02.pdf ''etc''.) e poi riassemblarli in un unico documento:

			<code>$ pdftk SCAN*.pdf cat output SCAN_ASS.pdf</code>

			A questo punto avrai finalmente un file PDF unico contenente tutte le scansioni ordinate.

	==Post-produzione==		==Post-produzione==

Pol: Aggiunta bozza sezione OCR

2017-05-07T07:40:24Z

Aggiunta bozza sezione OCR

← Versione meno recente		Versione delle 07:40, 7 mag 2017
Riga 35:		Riga 35:

	dalla cartella dove si è scompattato il software.		dalla cartella dove si è scompattato il software.

			== OCR ==
			Il passo finale della digitalizzazione è il processo di riconoscimento dei caratteri. Migliore è la qualità della scansione e migliore è stato il loro post-processing e migliore è l'accuratezza che ci si può aspettare da un'operazione OCR.

			=== Tesseract OCR ===
			È il software più completo, può fare OCR in molte lingue diverse e sono disponibili molti pacchetti di ''trained data'' per varie lingue.

			=== OCRopus ===
			È un progetto open inizialmente basato su Tesseract e ora dotato di un proprio motore OCR; è in forte crescita.

			=== Pypdfocr ===
			È uno script in Python che combina l'azione di GhostScript, ImageMagick, Poppler e Tesseract OCR. Prende in input un PDF e scrive in output un PDF identico ma con un layer OCR. L'utilizzo è estremamente semplice e nella maggior parte dei casi basta specificare la lingua e dare:

			<code>$ pypdfocr -l eng mybeautifulbook.pdf</code>

			Per rendere più veloce l'operazione, nel caso in cui il documento abbia già subito un processo di post-produzione come quello indicato nella sezione precedente, allora si può dare:

			<code>$ pypdfocr -l eng --skip-preprocess mybeautifulbook.pdf </code>

			Il processo è estremamente pesante dal punto di vista computazionale: nel caso in cui si stia lavorando con un PC portatile, potrebbe essere necessaria l'alimentazione da rete elettrica. Potrebbe essere inoltre utile monitorare periodicamente la temperatura della CPU e posizionare la macchina in modo che il sistema di raffreddamento massimizzi il flusso d'aria.

	==Condivisione==		==Condivisione==