Montera34

Esta página es de solo lectura. Puedes ver la fuente pero no puedes cambiarla. Pregunta a tu administrador si crees que esto es incorrecto.
  - Comvertir tif multipágina a pdf

convert -compress LZW vut-comunidad-madrid_RGEP11612-17.tif vut-comunidad-madrid_RGEP11612-17.pdf

  - Eliminar las primeras y últimas páginas.
  - Girar PDF 90º (fuente: https://makandracards.com/makandra/1487-rotate-a-pdf-under-ubuntu-linux):

pdftk vut-comunidad-madrid_RGEP11612-17.pdf cat 1-endwest output vut-comunidad-madrid_RGEP11612-17-rotate.pdf 


  - Convertir pdf de vuelta a tiff multipágina
''convert -density 150 vut-comunidad-madrid_RGEP11612-17-rotate.pdf -depth 8 vut-comunidad-madrid_RGEP11612-17-rotate.tiff''
  - Volver a convertirlo quitándole el alpha (transparencia)
''convert vut-comunidad-madrid_RGEP11612-17-rotate.tiff -fill white -draw 'rectangle 10,10 20,20' -background white -flatten +matte vut-comunidad-madrid_RGEP11612-17-rotate-noalpha.tiff''
  - Hacer el OCR con tesserac
''tesseract vut-comunidad-madrid_RGEP11612-17-rotate-noalpha.tiff vut-comunidad-madrid_RGEP11612-17.txt''

Este método no da resultado, así que pruebo:

  - Abro con gimp solamente una página.
  - La giro para que esté totalmente horizontal y recorto cabecera.
  - La salvo como .png vut-comunidad-madrid_RGEP11612-17-rotate_2.png
  - Y hago el OCR con tesserac:

''tesseract vut-comunidad-madrid_RGEP11612-17-rotate_2.png out''

  - Funciona, pero al no reconocer las columnas apila los resultados unos encima de otro.

Resultado resumido:
VT 2717

VT 2179
VT 1460
VT 1808
VT 3059
VT 3052
VT 2420
VT 33815

VIVIENDA USO TUR.
VIViENDA uso TUR.
VIVIENDA USO TUR.
VIVIENDA USO TUR.
VIVIENDA USO TUR.

AVDA. DE LA ERMITAZ
CALLE BEGONIA 32A
CAMINO NUEVO 11
CAMINO NUEVO 11 1" D
MARQUESA VIUDA DE ALDAMA, 48, 2° E
MARQUESA VIUDA DE ALDAMA. 48, 2°G°
SAN ROQUE 40