OCRmyPDF; tesseract Version zu niedrig

[xanvader]

Hallo DebianUser, ich möchte testen OCRmyPDF

OCRmyPDF ist ein Kommandozeilenprogramm, um für eingescannte PDF-Dateien eine durchsuchbare Textebene zu erstellen.

Abhängigkeiten sind installiert, CLI Eingabe:

Code: Alles auswählen

$ ./OCRmyPDF.sh ~/documents/LaTeX/PDF/texcollection2014.pdf ~/PDF/texcollection2014.pdf
Please install tesseract 3.02.01 or newer (currently installed version is 3.02)

Installierte Version ist tesseract 3.02.01-6 unter CrunchBang (Debian)
OCRmyPDF.sh Zeile 158:

Code: Alles auswählen

tesseract -v 2>&1 | grep "tesseract" | sed s/[^0-9.]//g

…diese Eingabe im CLI ergibt 3.02.
Da kann doch etwas nicht richtig sein…?

[rendegast]

Code: Alles auswählen

# grep -n -i version OCRmyPDF.sh -C1
...
153:# ensure the right tesseract version is installed
154:# older versions are known to produce malformed hocr output and should not be used
155:# Even 3.02.01 fails in few cases (see issue #28). I decided to allow this version anyway because
156-# 3.02.02 is not yet available for some widespread linux distributions
157:reqtessversion="3.02.01"
158:tessversion=`tesseract -v 2>&1 | grep "tesseract" | sed s/[^0-9.]//g`
159:tesstooold=$(echo "`echo $tessversion | sed s/[.]//2`-`echo $reqtessversion | sed s/[.]//2` < 0" | bc)
160-[ "$tesstooold" -eq "1" ] \
161:    && echo "Please install tesseract ${reqtessversion} or newer (currently installed version is ${tessversion})" && exit $EXIT_MISSING_DEPENDENCY
162-

Du könntest einen hack versuchen

Code: Alles auswählen

tessversion="3.02.01"
oder 
tessversion=$reqtessversion

wenn das changelog.Debian stimmt, und wirklich 3.02.01 hochgeladen wurde
(mit einem kleinen Version-Bug)

Code: Alles auswählen

163:# ensure the right GNU parallel version is installed
164:# older version do not support -q flag (required to escape special characters)
165:reqparallelversion="20130222"
166:parallelversion=`parallel --minversion 0`

Code: Alles auswählen

# aptitude versions ^parallel$ --disable-columns
Package parallel:
p  20120422-1 stable 500
p  20130922-1 testing,unstable 101

Hier wirst Du aber wohl die Version aus jessie/sid benutzen müssen
(pakettechnisch kein Problem, einzige Abhängigkeit ist "perl")
(Bei 'parallel' der Alternative moreutils funktioniert der Versionsbefehl nicht,
eventuell dann auch die Verwendung im Skript).

[xanvader]

Code: Alles auswählen

tessversion="3.02.01"

…und parallel install. aus sid hat geklappt

Code: Alles auswählen

$ ./OCRmyPDF.sh -l en ~/PDF/ocr.pdf ~/PDF/ocr0.pdf
The language "en" is not supported by tesseract.
Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...] pagesegmode values are: 0 = Orientation and script detection (OSD) only. 1 = Automatic page segmentation with OSD. 2 = Automatic page segmentation, but no OSD, or OCR 3 = Fully automatic page segmentation, but no OSD. (Default) 4 = Assume a single column of text of variable sizes. 5 = Assume a single uniform block of vertically aligned text. 6 = Assume a single uniform block of text. 7 = Treat the image as a single text line. 8 = Treat the image as a single word. 9 = Treat the image as a single word in a circle. 10 = Treat the image as a single character. -l lang and/or -psm pagesegmode must occur before anyconfigfile.

tesseract-ocr, tesseract-ocr-eng & tesseract-ocr-deu sind installiert. Igw. verstehe ich den rest der Ausgabe nicht, i.d. Hilfe kann ich darueber auch nichts finden. Ob das Script mal alles so seine richtigkeit hat?
rendegast, ich danke dir erst einmal bis hierher…

[catdog2]

The language "en" is not supported by tesseract.

3-character ISO 639-2 language codes. (See LANGUAGES)

Würds mal mit eng probieren.