Merubah scanned pdf menjadi teks html

           Ketika mencari sumber referensi, saya mendapatkan file pdf yang contentnya/teks berupa gambar. Akibatnya saya tidak bisa mengcopy tulisannya(wkwkwk... kebiasaan buruk). Ada salah satu cara untuk merubah scanned pdf menjadi html, dengan menggunakan fasilitas google. Jika mendapatkan hasil pencarian file pdf, maka google akan menampilkan opsi untuk menampilkannya dalam bentuk html. Cara ini hanya berguna jika file pdfnya terindeks semua dan google hanya menampilkan 20 halaman pertamanya saja. 

         Ada satu cara lain, yaitu mengkonversi file pdf tersebut menjadi kumpulan gambar(.png, .jpg), lalu kemudian menscan gambar tersebut dengan OCR, lalu untuk outputnya berupa HTML atau file teks. Karena saya(penulis) menggunakan operating system GNU/linux ubuntu, maka cara dibawah ini hanya berlaku untuk OS GNU/linux saja( untuk yang versi windows, tanya ke orang lain saja yaaa!).

Langsung saja....
Pertama-tama install terlebih dahulu xpdf, imagemagick, dan ocropus

sudo apt-get install xpdf imagemagick ocropus

gunakan script dibawah ini untuk menkonversi. Simpan dengan nama "pdf2txt"(tanpa tanda kutip).

#! /bin/sh
# Simple wrapper to recognize PDF files
#
# This script is based on ocropdf by Christian Mahnke
# original script can be downloaded from http://groups.google.com/group/ocropus/attach/e3cd3c9c36dfce87/ocropdf?part=2
#
# I just modify it, to achieve my requirement
#
#Usage:
#pdf2html input.pdf > hocr-output.html
#
#The following environment variables are recognised:
#- PDFIMAGES: Path to 'pdfimages' if it's not in your path
#- CONVERT: Path to 'pdfimages' if it's not in your path
#- OCROSCRIPT: Path to 'ocroscript' if it's not in your path or this script is not #placed in the ocropus source tree (in the 'ocrocmd' directory)
#- tesslanguage: The language tesseract should use.
#
#
#Known problems:
# - Doesn't work with file names containing spaces.
# - Only works with a singe PDF file.
#
#Possible improvements
# - reimplement it as Lua script.
# - Use this approach (imagemagick) to be able to recognise TIFF and other file formats.
#
# By Alvin from orangunix.blogspot.com
if test -z "$PDFIMAGES" ; then
PDFIMAGES=`which pdfimages`
fi
if test -z "$CONVERT" ; then
CONVERT=`which convert`
fi
if test -z "$PDFIMAGES" ; then
echo "'pdfimages' not found in PATH (it's part of the xpdf package)"
fi
if test -z "$PDFIMAGES" ; then
echo "'convert' not found in PATH (it's part of the imagemagick package)"
fi
if test -z "$OCROSCRIPT" ; then
OCROSCRIPT=`which ocroscript`
if test -z "$OCROSCRIPT" ; then
DIR=`dirname $0`/../ocroscript
OCROSCRIPT="$DIR/ocroscript"
if test -z "$OCROSCRIPTS" ; then
OCROSCRIPTS=$DIR/scripts
fi
fi
fi
if test -z "$1" ; then
echo "Usage: ./pdf2txt input.pdf > hocr-output.html"
exit 1
fi
TMP_DIR=`tempfile -p pdf2txt`
rm -f $TMP_DIR
mkdir $TMP_DIR
echo $TMP_DIR
PDFIMAGES_CMD="$PDFIMAGES $1 $TMP_DIR/pdf2txt"
echo $PDFIMAGES_CMD
$PDFIMAGES_CMD
echo $TMP_DIR
for FILE in `ls $TMP_DIR`
do
#echo $FILE
CONVERT_CMD="$CONVERT $TMP_DIR/$FILE $TMP_DIR/$FILE.jpg"
$CONVERT_CMD
if test $? != 0 ; then
echo "'convert' failed"
exit 2
fi
FILES="$FILES $TMP_DIR/$FILE.jpg"
#rm -f $TMP_DIR/$FILE
done
$OCROSCRIPT recognize `ls $TMP_DIR | grep .pbm.jpg`
#if test -z "$tesslanguage" ; then
# OCROSCIPT_CMD="$OCROSCRIPT rec-tess $FILES"
#else
# OCROSCIPT_CMD="$OCROSCRIPT rec-tess --tesslanguage=$tesslanguage $FILES"
#fi
#
#$OCROSCIPT_CMD
#rm -r $TMP_DIR

Cara penggunaan :
Misalnya anda ingin menkoversi "makalah.pdf" ke dalam file html, gunakan perintah :

./txt2pdf makalah.pdf > makalah.html

perintah diatas akan menkonversi "makalah.pdf" dan outputnya "makalah.html".

oleh : Alvin