[Praxislabor] Arbeiten mit (vielen) retrodigitialisierten Quellen: Texterkennung und Metadatenextraktion in PDF-Dateien mit freier Software

Buchscanner

Moritz Mähr (wiss. Mitarbeiter an der Professur für Technikgeschichte, Zürich)

Lernen Sie in PDF-Dateien Texterkennung (OCR) und Textextraktion mit kostenlosen Befehlszeilenwerkzeugen wie Tesseract und Poppler durchzuführen und sich schnell einen Überblick über eine große Anzahl von PDF-Dokumenten zu verschaffen.

Zielpublikum

Wenn Sie eines oder mehrere der folgenden Kriterien erfüllen, wird diese Lektion für Sie lehrreich sein:

  • Sie arbeiten mit textbasierten Quellen und müssen den Inhalt der Quellen extrahieren.
  • Ihre Dateien liegen im PDF-Format vor oder können in dieses Dateiformat konvertiert werden.
  • Sie arbeiten mit einem großen Korpus und wollen nicht jede Datei einzeln anfassen (Stapelverarbeitung).
  • Sie möchten Ihr Korpus mit quantitativen Methoden (Distant Reading) untersuchen und benötigen die einzelnen Quellen daher im Klartextformat.
  • Sie haben keinen Zugang zu kommerzieller Software, wie z.B. Adobe Acrobat Professional oder Abbyy FineReader.

Lernziele

In dieser Lektion werden Sie folgendes lernen:

  • Erkennen und Extrahieren von Texten in PDFs mit optischer Zeichenerkennung (OCR)
  • Eingebettete Texte aus PDFs extrahieren
  • Eingebettete Bilder aus PDFs extrahieren
  • Kombinieren Sie Bilder und PDFs in einer einzigen PDF-Datei
  • Führen Sie alle oben genannten Schritte auf einmal (Stapelverarbeitung) mit einem großen Korpus durch.
  • Analysieren Sie ein großes Korpus mit Hilfe von Topic Modelling, um einen schnellen Überblick über die darin enthaltenen Themen zu erhalten.

Voraussetzungen

  • Sie sollten einfache Operationen in der Befehlszeile Ihres Betriebssystems (Windows, macOS, Linux) ausführen können.
  • Windows Benutzer*innen sollten über Windows 10 (Fall Creators Update) verfügen und Ubuntu 20.04 LTS auf dem Windows Subsystem for Linux installiert haben.
  • Die verwendete Software – OCRmyPDF, Tesseract, Poppler und ImageMagick – sollte vorab gemäß dieser Anleitung installiert werden.

Der Kurs basiert auf Moritz Mähr, “Working with batches of PDF files,” The Programming Historian 9 (2020), https://doi.org/10.46430/phen0088.

Zeit und Stundenumfang:

13.7.2021 von 09:00 bis 12:00 (mit mehreren Pausen)

Format: Hands-on-Workshop

Erfahrungsstufe: Operator

Anmeldung: Bitte mit Namen und E-Mail-Adresse via https://doodle.com/poll/2c9b8vsmsw3hy6ye

Kontaktadresse sowie Angabe zu allen Beteiligten des Angebots:

Moritz Mähr
ETH Zürich
Wissenschaftlicher Mitarbeiter & IT Koordinator
Institut für Geschichte
Professur für Technikgeschichte
RZ F16
Clausiusstrasse 59
CH-8092 Zürich
maehr.moritz@history.gess.ethz.ch
www.tg.ethz.ch/personen/details/moritz-maehr/

 


Autor: Katrin Moeller

Leiterin des Historischen Datenzentrums Sachsen-Anhalt, wiss. Mitarbeiterin der Professur Wirtschafts- und Sozialgeschichte am Institut für Geschichte der Martin-Luther-Universität Halle-Wittenberg

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.