Papier ist soooo 20. Jahrhundert! Darum will ich so wenig wie möglich auf Papier haben. Ich scanne lieber alles hirnlos ein und speichere es auf meinen Festplatten. Damit ich das ganze später auch halbwegs sinnvoll benutzen kann, müssen die Dokumente aber durchsuchbar sein. Ansonsten hätte man, gegenüber dem einheften, nichts gewonnen. Mittel Optical Character Recognition (OCR) ist das möglich. Hier werden gedruckte Buchstaben erkannt und aus dem Scan wird ein durchsuchbarer Scan. Der OpenSource-Branchen-Primus ist wohl Tesseract. Tesseract ist aber eher ein backend und nicht wirklich einfach zu benutzen. Aus diesem Grund verwende ich Ocrmypdf. Als Pythonanwendung hat Ocrmypdf natürlich gleich einen Bonus in meinem Herzen und auch einen Commit ;).

Am Ende des Tutorials haben wir folgendes Setup:

1. Schritt: Scanner einrichten.

Hier kann ich nicht wirklich helfen, aber ich habe es so gemacht, dass der Scanner auf eine SMB Festplatte im Netzwerk speichert. Mein Scanner erlaubt das. Hier muss man gegebenenfalls bei der Hardwareauswahl aufpassen. Ein Papiereinzug sollte vorhanden sein, da das scannen so schon nervig genug ist.

2. Schritt: Ocrmypdf installieren.

Ich benutze den offiziellen Dockercontainer. Ein Vorteil des Dockercontainers ist, dass er bereits mit einem watcher Script ausgestattet ist. Dieses Script ermöglicht es einem den Inhalt eines Ordners zu überwachen und sobald ein neuer Scan im Ordner erscheint, wird automatisch ocrmypdf aktiviert und eine durchsuchbare Version erstellt. Wir brauchen also erst mal docker und docker-compose:

sudo apt install docker docker-compose

Jetzt fehlt uns noch ocrmypdf. Das können wir mit docker-compose installieren und zwar:

mkdir ocrmypdf
cd ocrmypdf
touch docker-compose.yml

Die docker-compose.yml wird mit folgendem Inhalt gefüllt:

version: "3.3"
services:
  ocrmypdf:
    restart: always
    container_name: ocrmypdf
    user: 1000:1000
    image: jbarlow83/ocrmypdf
    volumes:
      - "PFAD_ZUM_INPUT_FOLODER:/input"
      - "PFAD_ZUM_OUTPUT_FOLDER:/output"
    environment:
      - OCR_OUTPUT_DIRECTORY_YEAR_MONTH=1
      - OCR_ON_SUCCESS_DELETE=1 
      - OCR_DESKEW=1
      - PYTHONUNBUFFERED=1
    entrypoint: python3
    command: watcher.py

Wichtig die Datei muss docker-compose.yml heißen. Etwas mehr Dokumentation findet man bei ocrmypdf selbst. Natürlich muss PFAD_ZUM_INPUT_FOLODER und PFAD_ZUM_OUTPUT_FOLDER den eigenen Bedürfnissen angepasst werden. OCR_OUTPUT_DIRECTORY_YEAR_MONTH=1 sorgt dafür, dass jahres- und monatsweise Ordner erstellt werden. OCR_ON_SUCCESS_DELETE=1 löscht den original Scan nach erfolgreichem OCR, OCR_DESKEW=1 korrigiert leichte Schieflagen von Dokumenten, PYTHONUNBUFFERED=1 sorgt dafür, dass der Dockerlog auch alle Informationen enthält und user: 1000:1000 bewirkt, dass alle Dateien vom Standarduser erstellt werden und nicht wie sonst root. restart=always bedeutet, dass der Container immer ausgeführt wird. Auch automatisch nach einem Neustart.

Das Ganze wird aktiviert mit:

sudo docker-compose up -d

-d steht hierbei für detached. D.h. alles läuft im Hintergrund ab. Will man aber erst mal sehen ob es überhaupt funktioniert, kann man das -d weglassen und bekommt so den Log im Terminal angezeigt. Mit Ctl + c kann das ganze dann beendet werden.

Viel Freude mit dem Setup!

Deisi