- Jak na Linuxu digitalizovat, opravit a OCRkovat knihy (bez nervového zhroucení)
Skenování knih a jejich převod do prohledávatelného PDF s textovou vrstvou (OCR) bývá často očistec. Ať už skenujete vlastní papírovou knihu, nebo jste z internetu stáhli odfláknuté PDF s křivými dvojstranami a černými okraji, v Linuxu se to dá vyřešit elegantně.
Pokud na to jdete chytře, zkombinujete ty správné open-source nástroje a necháte počítač dělat to, v čem je nejlepší – tedy automatizaci –, ušetříte si desítky hodin ruční práce.
V tomto návodu si ukážeme ultimátní workflow pro Kubuntu (a další distribuce založené na Ubuntu/Debianu), které z jakýchkoliv skenů udělá perfektní, prohledávatelnou a rozměrově úspornou elektronickou knihu.
Fáze 0: Máte už odfláknuté PDF? Rozsekejte ho na obrázky!
Pokud jste získali knihu, kterou už někdo naskenoval do PDF, ale stránky jsou křivé, neprohledávatelné nebo obsahují naskenované dvojstrany, musíte PDF nejdřív rozložit na samostatné obrázky.
Do terminálu nainstalujte balíček nástrojů Poppler (pokud ho ještě nemáte):
sudo apt install poppler-utils
Otevřete terminál ve složce s PDF souborem a spusťte příkaz pro rozsekání PDF na bezztrátové obrázky ve vysokém rozlišení (300 DPI):
pdftoppm -tiff -r 300 odflaknuta_kniha.pdf stranka
Vytvoří se vám série souborů (stranka-001.tif, stranka-002.tif…), se kterými už dále pracujete úplně stejně jako s čerstvými skeny z vlastní tiskárny.
Fáze 1: Vlastní skenování na maximální lenost
Pokud skenujete papírovou knihu sami, neztrácejte čas laděním každé stránky zvlášť v grafickém editoru. Potřebujete rychlý dávkový sken.
-
Otevřete aplikaci Skanpage (výchozí skenovací program prostředí KDE).
-
V nastavení přepněte formát ukládání z PDF na TIFF nebo PNG (bezztrátové formáty jsou pro OCR klíčové, JPEG vytváří kolem písmen šum).
-
Nastavte rozlišení na 300 DPI (ideální kompromis mezi rychlostí skenování a čitelností pro OCR) a skenujte v šedotonu (grayscale).
-
Pokud skenujete dvojstrany z otevřené knihy na plochém skeneru, neřešte ořezávání. Skenujte je prostě tak, jak leží. Rozdělení a vyrovnání vyřešíme automaticky v dalším kroku.
Fáze 2: Magie jménem Scan Tailor Advanced
Scan Tailor Advanced je absolutní herní pecka pro každého, kdo digitalizuje knihy. Vyhněte se verzím ze Snapu (které bývají pomalé a izolované od souborového systému) a nainstalujte si čistou verzi přes PPA repozitář:
sudo add-apt-repository ppa:alex-p/scantailor
sudo apt update
sudo apt install scantailor-advanced
Otevřete program, nasypte do něj složku se svými skeny (nebo rozsekanými .tif obrázky z Fáze 0) a nechte ho pracovat. V levém panelu vás program provede kroky, kde zcela automaticky:
-
Otočí stránky, které jsou vzhůru nohama.
-
Rozstřihne dvojstrany na samostatné levé a pravé stránky.
-
Vyrovná řádky (narovná text, pokud byla kniha na skle zkroucená).
-
Ořízne černé okraje a vyčistí pozadí na čistě bílou.
-
Převede obraz na čistý monochrom (vytáhne černé písmo a vybělí pozadí), což je pro OCR ideální podklad.
Jakmile krok za krokem bleskově proklikáte nastavení a zkontrolujete výstup, dejte vyexportovat výsledky. Vytvoří se vám složka out plná dokonale vyčištěných obrázků.
Fáze 3: Instalace OCR a optimalizačních nástrojů
Teď do systému dokopeme nástroje pro rozpoznávání českého textu a finální složení knihy. Do terminálu zadejte:
sudo apt install img2pdf tesseract-ocr tesseract-ocr-ces ocrmypdf jbig2
-
tesseract-ocr-ces: Naučí počítač rozpoznávat české háčky, čárky a diakritiku.
-
jbig2: Speciální kodér, který dokáže černobílé stránky s textem zkomprimovat na minimální velikost bez jakékoliv ztráty kvality.
Fáze 4: Výroba prohledávatelného PDF (All-in-one)
Nyní přichází finále. Otevřete správce souborů (Dolphin), vlezte do složky out s vyčištěnými obrázky ze Scan Tailoru, stiskněte klávesu F4 (otevře se terminál přímo v dané složce) a zadejte tyto dva příkazy:
1. Spojení obrázků do jednoho PDF:
img2pdf *.tif -o docasny_soubor.pdf
2. Spuštění OCR a komprese na maximum:
ocrmypdf -l ces --optimize 3 docasny_soubor.pdf hotova_kniha.pdf
Na co si dát pozor během generování?
💡 Hláška „lots of diacritics – possibly poor OCR“: Tesseract během zpracování pravděpodobně začne u každé stránky vypisovat tuto varovnou hlášku. Nenechte se jí vyděsit. Tesseract je původem anglický engine a jakmile v českém textu uvidí záplavu háčků a čárek, začne preventivně panikařit. Díky parametru
-l cesale všechno schroustá naprosto správně.
Fáze 5: Vyšperkování knihy (Klikací obsah, Metadata a Digitální otisk)
Chcete-li mít z knihy skutečně profesionální digitální kopii, která se po otevření chová jako e-kniha, neodmítne vás v detailech souboru a rovnou otevře boční menu s kapitolami, využijte sílu pdftk.
Ve stejné složce si vytvořte textový soubor obsah.txt.
Struktura souboru obsah.txt
Na začátek souboru vložte globální metadata (včetně vašeho digitálního otisku a roku), pod ně pak naskládejte kapitoly. Úroveň (BookmarkLevel) určuje hierarchii (1 = hlavní téma, 2 = kapitola, 3 = podkapitola).
InfoBegin
InfoKey: Title
InfoValue: Název Vaší Digitální Knihy
InfoBegin
InfoKey: Author
InfoValue: Jméno Původního Autora
InfoBegin
InfoKey: Creator
InfoValue: Vaše Jméno / Nick (Digitální otisk z roku 2026)
InfoBegin
InfoKey: CreationDate
InfoValue: D:20260612
InfoBegin
InfoKey: PageMode
InfoValue: UseOutlines
BookmarkBegin
BookmarkTitle: PŘEDMLUVA
BookmarkLevel: 1
BookmarkPageNumber: 1
BookmarkBegin
BookmarkTitle: Pokyny pro provoz a obsluhu vozu
BookmarkLevel: 1
BookmarkPageNumber: 2
BookmarkBegin
BookmarkTitle: Charakteristiky automobilu
BookmarkLevel: 1
BookmarkPageNumber: 3
BookmarkBegin
BookmarkTitle: Všeobecné pokyny pro montážní práce
BookmarkLevel: 1
BookmarkPageNumber: 4
BookmarkBegin
BookmarkTitle: Dotahovací momenty šroubových spojů
BookmarkLevel: 1
BookmarkPageNumber: 5
BookmarkBegin
BookmarkTitle: FIAT 126p
BookmarkLevel: 1
BookmarkPageNumber: 6
...
BookmarkBegin
BookmarkTitle: Aplikace Resistinu Car
BookmarkLevel: 2
BookmarkPageNumber: 528(Poznámka: Hodnota UseOutlines v hlavičce obsahu zajistí, že se PDF prohlížeč otevře rovnou s rozbaleným bočním panelem kapitol).
Zápis metadat do PDF
Jakmile máte obsah.txt uložený a čísla stránek upravená podle skutečnosti, „vstříkněte“ tato data do vašeho PDF příkazem:
pdftk ocr_soubor.pdf update_info obsah.txt output finalni_kniha.pdfVýsledek
Výsledný soubor finalni_kniha.pdf je dokonalý technologický „sendvič“. Na spodní vrstvě vidíte původní čistý obrázek (včetně ilustrací a grafů), nad ním leží neviditelná textová vrstva pro vyhledávání (Ctrl+F) a kopírování, soubor má díky kompresi minimální velikost, v bočním panelu má interaktivní klikací obsah a nese váš nesmazatelný digitální podpis tvůrce pro budoucí generace.
V knize tak můžete okamžitě vyhledávat (Ctrl+F), kopírovat z ní text a díky optimalizaci --optimize 3 a knihovně jbig2 bude mít celý soubor klidně třetinovou velikost oproti původním skenům. Maximální kvalita s minimem ruční práce!
