[de-users] Gelöst und Entschuldigung war: Suche Makroprogrammierer bez Leerzeichen in Wörtern entfernen

Guten Morgen an Alle.

ich bitte Euch um Entschuldigung!

Nach der mehrmaligen Anmerkung, das Problem bei der Quelle, dem 
OCR-Programm, zu lösen, habe ich das OCR in ein anderes Format arbeiten 
lassen.

ich gehe mal ins Detail:

ich scanne und ocre Bücher für den hiesigen Geschichtsverein
anfangs arbeitete ich mit Tesseract OCR
dann schaffte ich mir den Fujitsu SV600 ScanSnap mit ABBY Finreader for 
ScanSnap an
anfangs liess ich in Word-Format ocren; dann fragte mich der 
Vereinspräsident nach durchsuchbaren PDF und da Finereader die auch 
erzeugen kann, habe ich die PDF erzeugt und dann aus diesen PDF mittels 
Speichern als TXT den Text zum Überlesen kopiert.
so auch bei dem letzten Buch mit den leerzeichen in den Wörtern
nach euren Bemerkungen habe ich Finereader die Scandatei mal wieder in 
Word-Format ocren lassen: und da sind keine Leerzeichen in den Wörtern!

Ich bitte euch nochmals um Entschuldigung; und ich hoffe, dass meine 
Beschreibung anderen helfen mag

mit freundlichem Gruss

Martin jenniges


Am 05.07.2019 um 01:44 schrieb Mohing:
> Hallo!
>
> Entschuldige, aber Du bringst mich gerade zum Schmunzeln und Lachen, 
> weil...
>
> OCR eine Software ist mit der ua Google seit bald 20 Jahren historische
> Bücher digitalisiert und erfolgreich archiviert. Und dies mit einem
> hervorragenden Ergebnis. Von daher ist Deine Aussage nicht ganz korrekt.
> Besser sollte diese lauten: Die Markt befindlichen OCR- Programme kommen
> nicht über eine einfache Demo-Version hinaus. Mit anderen Worten: Geht;
> ist aber nicht zur Weiterverarbeitung zu gebrauchen.
>
> Richtig schlimm wird es, wenn man versucht Text und Formatierung zu
> lösen, den Text seitenweise getrennt zu verarbeiten und dann beides
> wieder zusammenzufügen.
>
> Wenn man die Möglichkeit hätte an eine richtig teure OCR-Demo-Version
> heran kommen zu können würde es vielleicht klappen. Aber alles unter
> 2000€ ist so gar nicht brauchbar.
>
> Wie gesagt: Leerzeichen zu löschen geht mit einigem Programmier-Aufwand
> und bedarf immer eines Paperbackwriters. Dabei geht die Formatierung
> aber definitiv verloren. Ob es sich lohnt steht auf einem anderen Blatt.
> Vom Zeitaufwand ist Abtippen schneller.
>
> Als LO-Marco habe ich es nie versucht- unter SO4 ging es defintiv nicht.
> Mit Programmierung C/C++/Perl oder UltraEdit geht es -als fortlaufender
> Text mit mehr oder minder vielen Kontext-Fehlern.
>
> Grüsse
>
>
> Am 04.07.2019 um 22:09 schrieb Thomas Krumbein:
> > Der richtige Ansatz war in der Diskussion schon angesprochen worden:
> > Die OCR Software. Die muss entweder besser trainiert werden oder sie
> > ist ungeeignet. Das nachträglich zu korrigieren per Software ist m.A.
> > Unsinn.
> >
> > Findet sich dort keine Lösung, bleibt eigentlich nur die manuelle
> > Korrektur wie schon öfter beschrieben.
> >
> > VG
> >
> > Thomas
> >
> >
> > Am 04.07.2019 um 20:50 schrieb Hessler, Klaus-Michael:
> > > Hallo Martin,
> > > > ich kopiere mal einen Absatz
> > > >
> > > > "Die Versammlung setzte u. a. den K reisetat fest, nahm den B ericht
> > > > ü b e r den
> > > > G runderw erb der Eisenbahn sowie die B ekäm pfung des V iehw uchers
> > > > entgegen
> > > > und beschäftigte sich (vertagend) m it der F rage der Beschaffung d
> > > > er durch die
> > > > neue K reisordnung nötigen D iensträum e."
> > > Ich schmeiße mal die Idee eines Parser-Makros mit Wörterbuch-Abgleich
> > > in den Raum:
> > >
> > >  * Du hast eine TXT-Datei (ohne Formatierungszeichen etc.) des Buches.
> > >  * Du hast ein Wörterbuch als durchsuchbare Datei.
> > >  * Das Parser <https://de.wikipedia.org/wiki/Parser>-Makro liest aus
> > >    der TXT-Datei ein einzelnes Zeichen und schreibt die Ausgabe wie
> > >    folgt in eine Ergebnis.txt:
> > >      o Ist es ein Satzzeichen: --> ausgeben wie gelesen, ggf. noch
> > >        nachfolgendes Leerzeichen anhängen.
> > >      o Ist es eine Ziffer: --> ausgeben wie gelesen, das kann
> > >        wahrscheinlich nicht automatisch korrigiert werden.
> > >      o Ist es ein Buchstabe: --> in Variable speichern, nicht ausgeben.
> > >          + Weitere Zeichen einlesen und  - wenn es kein Leerzeichen ist
> > >            -  an die Variable anhängen. Ist es ein Leerzeichen, den
> > >            Text der Variable im Wörterbuch suchen.
> > >              # Wenn vorhanden: --> ausgeben in Ergebnis.txt [aus K
> > >                reisetat wird Kreisetat].
> > >              # Wenn nicht im Wörterbuch, Leerzeichen ignorieren,
> > >                nächstes Zeichen lesen.
> > >                  * Ist es ein Buchstabe, diesen an die Variable
> > >                    anhängen. [aus ü b e r wird über] aus [G runderw erb
> > >                    wird Grunderwerb.
> > >                  * Ist es eine Ziffer oder ein Satzzeichen, das Wort
> > >                    aus Variable trotz negativem Wörterbuch-Ergebnis
> > >                    schreiben.
> > >                  * Weiter beim übergeordneten _Wenn_. Die Anzahl wird
> > >                    man begrenzen müssen, falls mehrere Begriffe mit
> > >                    Blocksatz-Leerzeichen nacheinander nicht im
> > >                    Wörterbuch sein sollten.
> > >
> > > Ich hoffe, die Idee ist damit nachvollziehbar. Der letzte Link ganz
> > > unten auf der Wikipedia-Seite
> > > <http://www.cis.uni-muenchen.de/~leiss/parsing-06-07/parsingfolien.ps>
> > > beschreibt das noch "wissenschaftlich".
> > >
> > > Die Programmierung ist durch die notwendigen Fallunterscheidungen mit
> > > einigem Aufwand verbunden; ob sich das lohnt, ist sicher vom Umfang
> > > des Buches abhängig. Andererseits könnte es so etwas auch schon
> > > geben, da ich auch schon solche Typoskripte mit "manuellem Blocksatz"
> > > gesehen habe (Nachfrage in München?).
> > >
> > > Gruß Michael


--
Liste abmelden mit E-Mail an: users+unsubscribe@de.libreoffice.org
Probleme? https://de.libreoffice.org/hilfe-kontakt/mailing-listen/abmeldung-liste/
Tipps zu Listenmails: https://wiki.documentfoundation.org/Netiquette/de
Listenarchiv: https://listarchives.libreoffice.org/de/users/
Datenschutzerklärung: https://www.documentfoundation.org/privacy