Requête de Sap - Mise en page

[Sap]

Sap souhaite proposer son aide dans l'atelier Mise en page
Commentaire du membre :
Bonjour,
Est-ce que ça vous intéresserai de passer les scans actuels des livres, qui sont donc en image, à une version texte ? Ça permet de faire des copier/coller ou des recherches dans les bouquins, je trouve ça super pratique.

Par exemple, sur "le sinistre secret de Saltmarsh", actuellement c'est ça :
http://www.donjondudragon.fr/adad/modul ... 47/25.html

Et en pièce jointe, je vous ai mis ce que ça donne avec le texte reconnu. Le texte à également été redressé, il n'était pas super droit.

Vous me direz ce que vous en pensez.

[Outsider]

Effectivement le second pdf permet la recherche.

Une petite explication technique serait appréciée sur la différence entre ces deux formats pdf. Il y aurait donc des pdf images et des pdf texte.

[Sap]

Quand on scan un document on obtient une image. De mon côté j'ai converti l'image en texte.

[Toko]

Tu utilises quoi pour l'ocr ?

[Sap]

J'utilise l'OCR d'Adobe

[Toko]

Ok, merci.
Je cherche une solution gratuite mais apparemment ça n'existe pas...

Ton aide sur cette tache serait très appréciée, que ce soit sur des suppléments officiels ou des articles tirés de magazines !

[Sap]

Ok, je vais m'atteler à la tâche.
Je propose de commencer par le bloc AD&D2 puis AD&D, D&D et Univers ensuite vous me direz pour les gazettes ou autres.
C’est un ordre un complètment arbitraire, je me base sur rien si vous préférer que je commence par autre chose, je suis ouvert

Vous avez un lien ou un ftp pour récupérer tous les fichiers ou je dois les récupérer un à un ?

[Nephren-Ka]

Attention, l'OCR entraîne un taux d'erreur allant de 1 à 4% en moyenne (et compte tenu du lexique spécifique à D&D, ce sera plutôt 4%). Cela signifie qu'un tel chantier nécessite un post-traitement (une relecture en fait, car les processus automatisés sont peu efficaces). On ne peut pas juste "océriser" en grandes masses; il faut aussi chercher des relecteurs...
A noter aussi, l'OCR ne "remplace" pas le texte incrusté dans l'image, mais s'y ajoute (et par conséquent augmente drastiquement le poids des fichiers).

[Sap]

Cela ne modifie pas le visuel du PDF, il permet juste de reconnaître le texte en surcouche. Donc on a pas besoin de relecture.

On va prendre un exemple pour être plus clair. Dans le fichier que j'ai mis en pièce jointe dans le topic, donc Saltmarsh, page 27 dans le a) de la "conclusion", on a : "en plus de leur activité" qui est "buggé" parce que le "r" de "leur" n'est pas bien imprimé. Le traitement que j'ai fait n'a en aucun cas changé cela, et a laissé afficher tel quel. C'est juste que quand on sélectionne le texte on va sélectionner cette chaine de caractère : "en plus de leu- activité" donc sans le "r" de "leur". Mais le visuel du PDF n'aura pas changé

[Sap]

et Concernant le poids des fichiers, celui sur lequel j'ai fait la modif est 2 fois moins lourd^^