<--  | Carte  | Index  | Recherche

par Iznogood <iznogood/at/iznogood-factory.org> L´auteur: Je suis sous GNU/Linux depuis un bon moment et actuellement sur une Debian. Malgré des études électronique, je fais surtout du travail de traduction pour la communauté GNU/Linux. Traduit en Français par: Iznogood <iznogood/at/iznogood-factory.org> Sommaire: Introduction Matériels Logiciel Scripts Bash Conclusion Talkback form for this article

PDF Une chaîne d'outils pour la transformation du papier en HTML Résumé: Ou comment convertir un vieux magazine papier en un document html. Je vais vous expliquer le processus, depuis la numérisation jusqu'à la mise en forme html. _________________ _________________ _________________

Introduction

J'ai lu que certaines universités américaines aideront ou permettront à Google de numériser leur bibliothèque. Je ne suis pas Google et je suis loin d'avoir une bibliothèque d'université mais je possède quelques vieux numéros d'une revue d'électronique. Et la qualité du papier n'est pas des meilleures: les pages commencent à se détacher, le papier devient gris...
J'ai donc décidé de les numériser car, malgré la disparition de la revue il y a 10 ans, certains (beaucoup) des articles restent actuels! Pour de l'électronique, 10 ans, c'est le moyen âge. C'est dire la qualité des articles.

Matériels

Pour commencer, j'ai eu besoin de rentrer les données dans l'ordinateur. Un scanner est fait pour cela: après avoir vérifié la compatibilité, j'en ai acheté un, un vieux ScanJet 4300C d'occasion mais pas cher et en navigant sur internet, j'ai trouvé les informations de configuration.
Sur la Debian, j'ai installé sane, xsane, gocr et gtk-ocr comme d'habitude avec:

apt-get install sane xsane gocr gtk-ocr

sane-find-scanner

hp
niash

/dev/usb/scanner0
option connect-device

chgrp scanner scanner0

adduser iznogood scanner

append="hdb=ide-scsi ignore hdb"

 lilo

/dev/sdc0    /dvdrom     iso9660    user, noauto     0  0

chgrp cdrom scd0

Logiciel

Pour continuer le processus, j'ai eu besoin de quelques logiciels:
sane, xsane, gimp, gocr, gtk-ocr, un éditeur de texte, de html et de l'espace sur le disque dur.

sane est l'interface avec le scanner et xsane, son interface graphique.
L'idée était de garder une résolution maximale et d'obtenir un fichier de 50 Mo par page, de la stocker sur le disque dur pour la travailler puis la stocker sur un DVDROM.
J'ai mis la résolution à 600 dpi, un peu plus de luminosité et j'ai débuté la conversion. Comme c'est sur une très vieille machine (un PII 350 MHz), cela a pris du temps mais j'ai obtenu une image précise. Je l'ai sauvegardée au format libre png.
Pourquoi une telle résolution et un fichier de 50 Mo? Je voulais garder une résolution maximum pour les archives et pour un traitement numérique ultérieur (et au prix où sont les DVDROM, je n'allais pas me gêner!).
Avec Gimp, j'ai découpé la page en séparant les images graphiques des images textes.
Les graphiques ont été sauvegardés en png avec une taille réduite pour rentrer dans une page html et les images texte n'ont pas été réduits mais changés en niveaux de gris (Outils, Outils des Couleurs, Seuil et Ok puis Image, Mode, Niveau de gris) et sauvegardé avec une extension .pcx pour le traitement avec le logiciel de reconnaissance de caractères.

 cat *.txt > test.txt

Scripts Bash

Je me rappelle toujours un prof de maths, lors que j'étais jeune, qui m'avait donné cette maxime:

« Pour être fainéant, il faut être intelligent ».

Bien, je vais commencer par être fainéant !!!! ;-)
Il y a des parties du traitement qui ne sont pas facile à automatiser (création de répertoire, numérisation, découpage avec gimp et création de fichiers). Le reste peut être automatisé.
Il existe un tutoriel en anglais absolument fabuleux sur le scripting en bash, ABS (Advanced Bash Scripting Guide) et j'ai trouvé une traduction française!.
Vous pouvez trouver la version anglaise sur www.tldp.org.
Ce guide m'a permis d'écrire un petit programme. Vous avez le script ici:

#!/bin/bash

REPERTOIRE=$(pwd)
cd $REPERTOIRE
mkdir ../ima
mv *.png ../ima/
for i in `ls *`
do
 gocr -f UTF8 -i $i -o $i.txt
done
cd ..
mv ima/ $REPERTOIRE
cd $REPERTOIRE
cat *.txt | sed -e 's/_//g'  -e 's/(PICTURE)//g' -e 's/ì/i/g' \
-e 's/í/i/g' -e 's/F/r/g' -e 's/î/i/g' > test.txt

ocr-rp

Conclusion

• Le scanner est un HP ScanJet 4300C
  
• sane, www.sane-project.org
  
• xsane, www.xsane.org
  
• gimp, www.gimp.org
  
• gocr, gtk-ocr jocr.sourceforge.net
  
• ABS est sur www.tldp.org
  
• et la version française d'ABS est sur abs.traduc.org
  
• Le graveur de DVD: NEC 3520
  
• k3b www.k3b.org
  

Talkback form for this article

2005-06-27, generated by lfparser version 2.52