Hinweis: Dieser Artikel ist veraltet! Sehen Sie meine jüngsten Erkenntnisse zum Thema hier.

… nach all den Mails mit Fragen habe ich mich noch mal mit der Materie befasst & so einige interessante Sachen gefunden, die ich in absehbarer Zeit hier im Blog vorstellen möchte. Es hat sich da Einiges getan! Aber ich würde gern wieder eine Komplettlösung mit ausführlicher Anleitung & einschlägigen Links bieten. Das ist eine Menge Arbeit. Am besten kommen Sie demnächst wieder mal vorbei, dann finden Sie hier den Link zum neuen Artikel. Es lohnt sich, glauben Sie mir: Die Ergebnisse bei der OCR-Erkennung sind damit weit besser als alles hier Vorgestellte. Ich bin noch am Probieren. Und es soll ja wieder eine Lösung mit Windows-Oberfläche werden, da nicht jeder mit Kommandozeilen umgehen kann bzw. möchte. Ich habe unter Windows auch lieber alles mit einer übersichtlichen Benutzeroberfläche … Linux- bzw. insbesondere Ubuntu-User sollten noch mal googeln & können dann relativ schnell loslegen. Also noch ein bisschen Geduld. Ich bin begeistert von den ersten Experimenten … 16.2.2022

Alte Texte in Fraktur sind heute überall im Web als Scans zu bekommen, sei es bei Google oder im Internet Archive oder bei der einen oder anderen Staatsbibliothek. Das Problem ist nur, dass man diese Scans oder PDFs nicht mehr durchsuchen kann, hat man sie erst mal auf der eigenen Festplatte. Zwar gibt es Fraktur-Zusätze für die besseren OCR-Programme, aber die sind sakrisch teuer & ehrlich gesagt – wenn überhaupt – nicht viel besser als das kostenlose Teil, das ich Ihnen hier zeigen möchte. Ich benutze es seit einigen Jahren, und da ich’s eben neu installieren musste, möchte ich das gleich mal zum Nachmachen für alle notieren.

Vorab: Vergessen Sie bei Fraktur fehlerfrei; aber je nach Qualität des Scans ist das OCR-Resultat durchaus brauchbar. Wobei zu unterscheiden ist zwischen der Qualität der Vorlage (Gilb, Fliegenschiss etc.) und dem Scan selbst – wenn der auf hauchdünn heruntergerechnet ist, dann ist das sinnlos.¹ (Die von Tesseract angebotene pdf-Option vergessen Sie erst mal besser. Zerlegen Sie pdf-Dokumente per Acrobat o.ä. in jpgs, tifs o.ä.)

Sie wissen vermutlich wovon ich spreche; für alle, die noch keine Erfahrung mit Fraktur & OCR haben. In der Regel sieht das aus wie rechts unten. (Das Buch ist bewusst völlig beliebig aus dem Internet Archive gezogen; zunächst als pdf, das per Acrobat in jpgs abgespeichert wurde. Geht alles ruckzuck.)

*
Aber damit Sie sehen, dass die fünf Minuten Installieren durchaus die Mühe wert sind. Hier das Tesseract-Resultat:

*
Die Seite ist schließlich nicht gerade blütenweiß. Falls Sie es selbst ausprobieren wollen, machen Sie einfach Folgendes:

1. Ziehen Sie sich hier die Installationsdatei mit dem Namen a9t9.FreeOcrWindowsDesktop-Setup.1.exe. (Falls der Download nicht gleich angeboten wird; die Datei befindet sich am unteren Ende der Seite.)
2. Nachdem Sie die Datei auf der Festplatte haben, installieren Sie sie wie gewohnt.
3. Falls Ihre Installationsroutine Sie nicht aufgefordert hat, die gewünschten Sprachen (darunter die deutsche Fraktur-Option) auszuwählen, ziehen Sie sich die Datei mit dem Namen
   deu-frak.traineddata hier.
4. Starten Sie das Program und klicken Sie unter Help die Optionen Open Language Folder. In das Verzeichnis, das sich öffnet, kopieren / verschieben Sie die eben gezogene Datei namens deu-frak.trainedata.
5. Schließen Sie das Programm; starten Sie es wieder. Jetzt müsste rechts unter Ocr language auch die Option deu-fra zur Verfügung stehen.

Das war’s auch schon & sollte jetzt so aussehen:

*

Test: Ziehen Sie erst mal probehalber einen Scan (jpg, tif, egal) mit Text in normaler moderner Schrift in das linke Feld mit dem blauen Männchen. Drücken Sie auf Start Ocr. Serifen oder nicht, das sollte fehlerfrei eingelesen werden. Schon dafür lohnt sich das Bisschen Installieren.

*

Probieren Sie’s aus. Gerade im Internet Archive können Sie die Bücher auch als einzelne Scans ziehen. Das Programm verarbeitet ganze Verzeichnisse im Batch-Verfahren. Drücken Sie dazu nach dem Laden der Scans auf Process all Pages. Sie müssen ja nicht zuschauen.

Und noch ein Tipp: Da OCR-Fehler stets gewisse Regelmäßigkeiten aufweisen, sind besonders häufige Fehler mit ALLES ERSETZEN in Ihrer Textverarbeitung mit einigen Handgriffen ausgemerzt. Zum Beispiel das »ii« für »ü«…

Und vergessen Sie nicht, jeweils unter Ocr language die Sprache einzustellen, in unserem Falle deu-fra.

Nachtrag 1.3.2018: Die beiden alten Titel, die Sie hier im Blog in Fortsetzungen mitlesen können, sind in Fraktur gesetzt & mit Tesseract eingelesen. Genthe, Deutsches Slang und Hiebslac, Englische Sprach-Schnitzer. Und ohne Schmäh, das Ergebnis ist nicht viel schlechter als das, was sich mein teurer Abby Finereader bei kursiv gesetzten Passagen in neuen Büchern zuweilen leistet, wenn ihm der Font nicht zusagt.

Nachtrag 12.3.2019: So oft mache ich das ja nun auch wieder nicht, aber manchmal braucht man eben doch wieder ein Zitat, und dann spielt man wieder mit dem Teil rum. Hier ein Screenshot einer Seite aus Mark Twains Humoresken.

*

Und ich bin immer wieder erstaunt. Was haben wir an Fehlern? »Mißgeschick«. Da hat sich das Programm mächtig verguckt. Aber, machen wir mal die Probe aufs Exempel. Ich habe das ganz Buch eingelesen. Das waren 291 Seiten (Graustufen-jpgs; kein pdf!!!). Was übrigens nicht viel länger gedauert hat, als mir rasch einen frischen Eimer Kaffee zu brauen. Abgespeichert als Word-Dokument, lässt sich das Ergebnis sofort checken. Durchaus ein bißchen bange, suche ich weitere Wörter mit »Miß«. Und ich finde »Mißlaut«, »Mißfallen«, »Mißverständnis«, »Mißgriff« etc. Also durchaus ein Ausrutscher.

Okay, »der. ¶ Regulator« und »werdens«. Da hat er einen Fliegenschiss als Punkt gelesen und einen Punkt als »s«. Ist aber im ganzen Buch nur einmal passiert! Alle anderen Stellen sind korrekt als »werden.« gelesen. Dann haben wir noch »Jcb« statt »Ich«. Auch hier checke ich wieder das ganze Buch: »Jcb« finde ich nicht noch mal, sondern in der Regel ein korrektes »Ich« am Satzanfang. Ich finde jedoch so einige »Jch«, 325, um genau zu sein. Aber mit »Alle ersetzen« sind die auf einen Streich getilgt.

Noch einen Punkt mit Absatzmarke: »solle. ¶ es« und ein überflüssiges »s«: »Seelenpeinsum«.

Und natürlich sind wieder viele »ii« statt »ü«, aber die sind mit »Alle ersetzen« auf einen Streich getilgt: alle 239.

Aber nochmal: All diese Lesefehler sind bei  mir längst in einem Makro gesammelt. Und damit hatte ich mit einem Klick einen nahezu fehlerfreien 300-seitigen Mark-Twain-Band & das Zitat, das ich gesucht hatte. Und das, da man bei der Texterkennung ja nicht zugucken muss, praktisch im Handumdrehen.

~~~~~~~~~~~~~~~~~~~

Bücher zum Thema

bei amazon.com

~~~~~~~~~~~~~~~~~~~

texterkennung deutsch fraktur ocr kostenlos

1. Gerade Abby Finereader Sprint-pdfs sind ungeeignet. Scannen Sie lieber mit XnView ordentliche »Bilder«.

Jedes Mal dasselbe Theater mit den großen Windows-Updates: Bildschirmauflösung in die Steinzeit zurückgeschossen. Was ja weiter kein Problem wäre, läge das nicht daran, dass das verdammte Update die AMG-Treiber plattgemacht hat & man die ganze gottverdammte Flöte wieder aufspielen darf. Und sag mir jetzt bitte keiner, dass man Windows sagen soll, die bestehenden Treiber nicht anzufassen. Das ist dem verdammten Programm nämlich schlicht egal! Dann ist das Netzwerk futsch. Warum? Weil Windows die ganze Chose wieder auf »Nichterkennen« gestellt hat. Dann laufen einige Programme, die man teuer bezahlt hat, wieder als Testversionen? What the fuck? Warum? Keine Ahnung, aber das Update hat die Lizenzeinträge zerschossen, sodass man erst wieder die Lizenzern suchen & neu eintragen muss. Die verdammte Windows-Firewall mischt sich womöglich auch wieder ein, wo man doch seine eigene laufen hat…

Diesmal gab’s als besonderes Schmankerl die Zugabe, dass sich die Einstellungen nicht mehr öffnen ließen. Die blieben hartnäckig auf einem leeren blauen Feld — wenn sich das überhaupt sehen ließ. Rechtsklicks gingen sowieso nicht mehr. Erst als mir der altbewährte Shortcut »Windows-Taste + Pause« einfiel, konnte ich überhaupt was ändern. Und ich weiß, in den nächsten Tagen geht noch das eine oder andere her…

Sorry, aber Armleuchter, ist in diesem Falle wohl nicht zu tief gegriffen. Wieder einen ganzen Vormittag keinen Handstrich gearbeitet, nur dem verdammten Programm einen runtergeholt. Nur um wieder dort zu sein, wo man die letzten Monate eh schon war. Und ich habe meinen Kram halbwegs auf der Reihe. Was zum Geier machen denn Leute, die noch weniger Ahnung vom bzw. Interesse am Computern haben als ich? Die sind ja wohl wirklich in den Arsch gekniffen.

Liste zum Abarbeiten nach Windows-Update…

Ich mache mir hier jetzt mal für mich selber eine Liste, die ich beim nächsten Mal abarbeiten kann. Vielleicht nützt Sie ja auch anderen…

(1) die Bildschirmauflösung, die bei mir nun mal 1920x1080 sein sollte, ist wieder auf 1600xZerquetschte, die Handvoll Icons verschoben (Gott sei Dank ist bei mir alles aufgeräumt, ich mache alles mit Autohotkey & Shortcuts). Hier hilft die Neuinstallation der AMD-Radeon-Treiber-Suite, die man auf der AMD-Site ziehen kann. Die heißt in etwa »amd_chipset_drivers_w10.zip«. Ich habe sie natürlich längst in einem einschlägigen Order; das letzte Update-Schlamassel ist ja kaum ein halbes Jahr her. Immerhin habe ich danach wieder die Catalyst-Software drauf, mit der sich die Bildschirmauflösung wieder richten lässt. (Man muss ja Gottseidank die Auflösung nicht mehr wie ein Jongleur bei Radeon & Windows einstellen!)

(2) wo ich immer wieder an die Decke gehe, weil ich es längst wieder vergessen habe, das ist der Grund, weshalb mein Arbeits-PC, der wohlwissentlich nicht am Web hängt, den Rechereche-PC nicht mehr findet. Weil das verdammte Update das Erkennen des PCs im LAN abgestellt hat:

Machen Sie dazu Folgendes:

Windows-Taste + Pause-Taste 
In der Adresszeile auf Systemsteuerung
Systemsteuerung\Netzwerk und Internet\Netzwerk- und Freigabecenter
Systemsteuerung\Netzwerk und Internet\Netzwerk- und Freigabecenter\Erweiterte Freigabeeinstellungen
Hier schalten Sie Netzwerkerkennung und Druckerfreigabe wieder ein.
(Eventuell in allen Kategorien — privat, öffentlich, Gast, was weiß ich -, falls sich das LAN nach einem Neustart immer noch nicht zusammenfinden sollte. Meistens aber ist das der Hauptgrund, wenn PCs im LAN sich plötzlich nicht mehr finden.)

Booten Sie ruhig hin & wieder mal durch.

Ich bin noch nicht dahintergekommen, woran das liegt, aber das scheint irgendwie auch das Problem mit dem Blue Screen bei den Einstellungen behoben zu haben; auch die Rechtsklicks gingen nach einem Neustart wieder.

(3) die Realtek-Treiber scheint das Update diesmal in Ruhe gelassen zu haben…

(4) die Lizenz-Codes für bezahlte Programme bereithalten — am besten im selben Ordner wie die Treiber.

(5) als nächstes muss ich das Icon für die »Kontakte« in der Taskleiste wieder loswerden, kann sie aber noch nicht finden. Mal sehen…

Nun, es ist schon fragwürdig genug, wenn hierzulande von »Baguette-Brötchen« die Rede ist, aber immerhin ist die Bezeichnung letztlich korrekt. Ist eine Laugenstange ein Baguette? Fraglich, aber mit Sicherheit ist eine Brezn eben nur dann eine Brezn ist, wenn sie eine ist. Anders gesagt, etwas muss die Form einer Brezn haben, um eine Brezn zu sein. Eine Breznstange, »a pretzel roll« (ein Breznbrötchen oder womit auch immer Sie das »Brötchen« ersetzen wollen), ist breznimmanent ein Unfug. Ein ähnlicher Unfug, wie eine Pizza als »pie« zu bezeichnen, wo selbst kulinarisch Zurückgebliebene wie ich wissen, dass eine »pie« einen Deckel zu haben hat.

Aber alles in allem, auch wenn ich mir unter dem Begriff »pretzel-baguette« erst einmal ein Monster vorgestellt habe, das einen Schatten selbst über eine hauseigene Perversion wie die Wiesenbrezn geworfen hätte, wenn man so ’n bisschen durchs Web streift und nachguckt, was die ‘rikaner so alles drauftun auf ihr »pretzel baguette«, »fried egg and goat cheese«, »lime-tequila crème fraiche« etwa, da sollte man vielleicht die Klappe gar nicht so weit aufreißen, wenn einem jahrelang nichts Besseres als Schwarzwälder Schinken, Knochlauchsalami oder Gouda als Draufgabe auf eine Langenstange einfällt.

_____________________________________

Foto: Elke Müller