По рукам надавать за такое разпознавание текста

Опубликовано сб, 14/03/2009 - 11:54 пользователем Psychedelic

Вот есть книга http://lib.rus.ec/b/141245
Все предложения один к одному с переносами как в книге.
т/е.

Цитата:

Первый переворот в истории космологии был связан с изобре-
тением телескопа в XVII в. При его помощи Галилео Галилей, осно-
вываясь на работах выдающихся астрономов Николая Коперника и
Иоганна Кеплера, впервые приблизил к нам величие небес и сделал
их предметом серьезных научных исследований. Кульминацией раз-
вития космологии на раннем этапе стали работы Исаака Ньютона,
который сформулировал фундаментальные законы, управляющие
движением небесных тел. Эти законы больше не рассматривались как
некое волшебство или мистика — стало ясно, что на все тела действу-
ют силы, которые можно измерить и подсчитать.

Как только начинашь перевод в fb2, начинаются сущие мучения, т.к. автомат не подхватывает 80% текста.
Поэтмоу единственное решение ручками и delete убирать их. Хорошо я нашел, djvu - буду делать всю работу с нуля.
К чему я это говорю? Когда распознаёте текст, уберите галку в Fine Reader - сохранять деление на строки эти вы облегчите труд друго человека в разы.

Комментарии

Опубликовано сб, 14/03/2009 - 12:14 пользователем ew

А я и не занл, что там есть такая галка. Наверное, по умолчанию она выключена. Или это зависит от того, в каком формате сохранять распознанный текст.

Опубликовано сб, 14/03/2009 - 15:36 пользователем Tanja45

В девятом FR можно выбирать вручную разные опции сохранения при сохранении в разных форматах. Там много разнополезного можно сделать, а так же можно создавать свои шаблоны.

Опубликовано сб, 14/03/2009 - 22:40 пользователем Bullfear

Не торопитесь паниковать. Для FBE давно существует отличный скрипт, как раз для такого случая ;)
http://home.doramail.com/Snout/Files/abruption_killing.rar
Как разложить файлы скрипта по папкам.
1. js-файл следует разместить в папке CMD, выбранной в настройках FBE.
2. htm-файлы в папке CMD редактора, чей exe-файл будете запускать.
3. css-файлы в поддиректории CSS каталога редактора, чей exe-файл будете запускать. Вместо "удаление разрывов_main.css" можно подложить main.css от вашего FBE (если вы стили настраивали под себя).
Запускать со следующими настройками:
а) галки "ручной выбор" отовсюду убрать, ибо заколебаетесь, да и скрипт будет работать около часа.
б) Маленькая буква | маленькая буква - соединить через пробел
в) тире или дефис, перед которым непробельный символ | любой символ - соединить без пробела,сохранив тире\дефис
г) запятая | любой символ - соединить через пробел.
д) остальное поставьте нетрогать.
Благодарим товарища Sclex с форума www.fictionbook.org

Опубликовано вс, 15/03/2009 - 00:59 пользователем SeNS

Пара часов на эксперименты с FineReader-ом, обучение и пополнение пользовательского шаблона и можно достичь удивительных результатов в OCR, впоследствии экономящих гораздо большее время. Если же потратить еще некоторое время на знакомство с макросами MS Word, и изучение FBE со скриптами уважаемого Sclex-а - и изготовление книги превратится в элементарное дело :-)

P.S. Самое сложное в OCR, imho - это тщательная вычитка.

Опубликовано вс, 15/03/2009 - 02:55 пользователем ew

SeNS написал:
...P.S. Самое сложное в OCR, imho - это тщательная вычитка.

Не то, чтобы сложное, но трудоемкое и утомительное. Но можно сочетать приятное с полезным: одновременно читать и вычитывать. Т.е. удержаться от соблазна прочитать книгу перед оцифровкой. А если еще делать все это не вставая с дивана, да под хорошую музыку - то и вообще вполне себе не утомительно :)

Опубликовано вс, 15/03/2009 - 05:31 пользователем computers

Я всегда так и вычитывал. Только не на диване, а за столом (люблю нормальный монитор и клаву), и без музыки - не могу под нее даже просто читать, отвлекает. Или одно, или другое ;).

Опубликовано вс, 15/03/2009 - 05:41 пользователем ew

computers написал:
... и без музыки - не могу под нее даже просто читать, отвлекает. Или одно, или другое ;).

Это смотря какая музыка. Если, скажем, на 1.FM включить Otto's Baroque Musick - отлично работается.

Опубликовано вс, 15/03/2009 - 05:24 пользователем computers

Вообще-то такая хрень (извините) легко убирается в Word'e - поиск/замена символов дефис+перевод строки на ничего. После чего остаются сущие пустяки для ручной правки. Открою еще страшную тайну: в Word'e легко делать макросы, которые пишутся на языке WBA, а с ними можно такое натворить... Например, я приводил в свое время, как учебное, такое задание: вставить 3 пробела в начале любой строки текста, в которой встречается частица "не" (это очень простой пример, для чайников, так что прошу не кидать камнями ;). Про язык WBA, кстати, говорится больше для понта, а в действительности отлично написать макрос можно, и совершенно не владея этим языком, и даже не зная о его существовании ;D. Во всяком случае, это в разы проще, чем делать валидные fb2, или даже просто хорошо отсканировать книгу. Так что, ИМХО, нет ни малейшего смысла заново распознавать текст, разве что из любви к искусству и FR ;))).

Опубликовано вс, 15/03/2009 - 06:00 пользователем Stiver

Вы не поверите, но язык этот называется VBA. Потому что сокращение от Visual Basic for Applications, а вовсе не World Boxing Association.

P.S. Продвинутые какие у нас специалисты по вирусам и троянам пошли..
P.P.S. Кстати VBA в русской раскладке дает МИФ. Что отлично этому языку подходит :)

Опубликовано вс, 15/03/2009 - 21:01 пользователем computers

Не придирайтесь так к очепяткам ;), я преподавал этот язык лет 10 назад :(, нетрудно и правда забыть название ;D. МИФ - хорошо! Понравилось! Возьму на вооружение в следующей жизни, если снова буду заниматься тем же ;). Но должен заметить, что тот же VBA в Excel'e - уже не совсем миф, а больше похож на настоящий... Как-то пришлось на нем даже написать программку для регистрации постояльцев в гостинице, включая стстистику, выписку счетов и т.п. Было интересно!

Опубликовано вс, 15/03/2009 - 06:51 пользователем Psychedelic

Цитата:
Вообще-то такая хрень (извините) легко убирается в Word'e - поиск/замена символов дефис+перевод строки на ничего. После чего остаются сущие пустяки для ручной правки.

Не легко, т.к. остаются другие фразы, которые идут без дефиса - таких кстати большинство.
Я распознал по новой, заняло это 15 мин с указанием картинок (вы бы не справились за 15 мин с убиранием этих переводов строк, это заняло бы как минимум 4 часа). Скан хороший, потому ошибок почти нет.

Опубликовано вс, 15/03/2009 - 14:50 пользователем TaKir

ФБД с включенной галкой re-format completely приводит такие тексты в нормальный вид секунд за 20...
Уже сколько их таких обработано - не сосчитать...
OCR pad опять же есть сто лет в обед.

Опубликовано пн, 16/03/2009 - 06:20 пользователем Psychedelic

Цитата:
ФБД с включенной галкой re-format completely приводит такие тексты в нормальный вид секунд за 20...

Вы думаете я не делал этого? Делал, но посмотрев что получилось, я подумал что намного быстрее будет сделать распознавание по новой.
По пробуйте сделать то что вы предложили, увидите результат.

Опубликовано пн, 16/03/2009 - 08:26 пользователем TaKir

Psychedelic написал:

По пробуйте сделать то что вы предложили, увидите результат.

Вы думаете, я не делал этого? ))
Я не предлагаю, не проверив сначала. Нет такой привычки советовать не проверенное лично.
К сожалению, исходника дежавю или pdf под рукой не было, потому и увидеть, что там не так с Вашей точки зрения, не могу.

Опубликовано пн, 16/03/2009 - 07:30 пользователем Psychedelic

Закончил книгу. Читаем : http://lib.rus.ec/b/142243
Там проблема со сносками. Дело в том что в doc что в djvu - текст уже был распознан (потом закручен в djvu) и некоторые сноски были повреждены.
Там в конце идут сноски, и перед словом ставиться номер этой сноски. так вот половина номеров толком не распознались (именно в исходном документе - djvu или doc - там они уже "повреждены") - поэтому непонятно какая сноска - где..