- 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