Translation-Help

OCR für eingescannte Dokumente in PDF-Format
- Auf Linux gibt es eine Vielzahl von Werkzeugen dafür, Text in einem Bild (z. B. ein eingescanntes Dokument) zu extrahieren und in bearbeitbaren Text zu konvertieren (OCR). Das folgende kleine Script zeigt die grundlegenden Schritte, die zur Konvertierung einer PDF-Datei, die ein eingescanntes Dokument in Bildform enthält, erforderlich sind. Verwendete Werkzeuge (in den gängigen Linux-Distributionen als Pakete verfügbar): pdftk, ImageMagick, tesseract. Das Beispiel geht davon aus, dass die Bilder nicht rotiert werden müssen. Achtung: Löschbefehl am Ende ist nicht für jede Situation ohne Risiko!
- ```
if [ $# == 0 ]; then 
   echo "usage: ocr.sh pdf-file-name" 
   exit
fi;
if [ ! -f $1 ]; then
  echo "$1 does not exist"
  exit
fi;
pdftk "$1" burst dont_ask
  for f in pg_*.pdf
do
  echo "Convert PDF to TIFF for file: $f ..."
  convert -depth 8 -density 300 -quality 100 \
     "$f" "$f.tiff"
  rm -f "$f"
done
for f in pg_*.tiff
do
  echo "OCR recognition for $f ..."
  tesseract "$f" "$f.txt"
done
cat pg_*.txt > result.txt
rm pg_*
```
- Nach Abschluss befindet sich der konvertierte Text in "result.txt".

TTX-Dateien mit Tikal (Okapi) nach CSV oder TMX kopieren
- Okapi-Tools (Okapi-Framework) sind plattform-übergreifende Open-Source-Tools, die eine Vielzahl von Funktionen für Lokalisierung und Übersetzung zur Verfügung stellen. Dieses kleine Beispiel zeigt, wie man mit dem Command-Line-Tool Tikal Trados TTX-Dateien in CSV-Dateien oder TMX-Translation-Memories konvertieren kann.
- Die Tools und die Installationsanleitung sind unter obigem Link zu finden. Nach der Installation kann man einfach jede TTX-Datei mit Tikal konvertieren:
- TTX nach CSV: ${PATH-TO-TOOLS}/tikal.sh -2tbl x.ttx -csv
- Erzeugt eine Datei namens x.ttx.txt.
- TTX to TMX: ${PATH-TO-TOOLS}/tikal.sh -2tmx x.ttx
- Erzeugt eine Datei namensx.ttx.tmx

Kombinieren mit Ghostscript
- Ghostscript ist meist schon aus anderen Gründen installiert, falls es noch fehlt, mithilfe des jeweiligen Paketverwaltungssytems nachinstallieren.
- Bei Fedora (RPM-basiert) ist das etwa:
- yum install ghostscript
- Nach Installation Dateien kombinieren mit:
- gs -dNOPAUSE -sDEVICE=pdfwrite -sOUTPUTFILE=out.pdf -dBATCH pdf1.pdf pdf2.pdf
Kombinieren mit PDFtk
- PDFtk muss meist nachinstalliert werden. Das geht am einfachsten mit dem jeweiligen Paketverwaltungssytems.
- Bei Fedora (RPM-basiert) ist das etwa:
- yum install pdftk
- Nach Installation Dateien kombinieren mit:
- pdftk pdf1.pdf pdf2.pdf cat output out.pdf
Aufteilen mit PDFtk
- PDFtk muss meist nachinstalliert werden. Das geht am einfachsten mit dem jeweiligen Paketverwaltungssytems.
- Bei Fedora (RPM-basiert) ist das etwa:
- yum install pdftk
- Nach Installation Dateien in einzelne Seiten aufteilen mit:
- pdftk pdf1.pdf burst
- Damit wird die Input-PDF-Datei in einzelne Seiten mit dem Namen pg_0001.pdf, pg_0001.pdf aufgeteilt. Durch Angabe des Parameters output können die Namen der Seiten auch anders bestimmt werden.