Dimensionnements et techniques pour une numérisation et indexation complète

• ~423 numéros
• ~40 pages / numéro
• <5500 caractères / page
• <1700 Ko / page en jpeg
• ~7000 Ko / page en tiff
• 5.15 sec de scan / page
• 3.5 sec d'OCR / page

total pour toute la collection

• 423 * 40 = 16920 pages
• 423 * 40 * 5500 = 93 Mo de texte brut
• 423 * 40 * 1700 = 28.7 Go en jpeg pleine page
• 423 * 40 * 7000 = 119 Go en tiff pleine page
• 423 * 40 * 5.15 / 60 / 60 = 24h pour le scan.

La conversion des pdf bruts en pdf OCR est totalement automatique (batch sur tous les pdf d'un répertoire)

La génération de l'index est totalement automatique (batch sur tous les pdf d'un répertoire). Elle est beaucoup plus rapide que l'OCR.

1. Massicoter
2. Scan si possible tiff 300dpi nommés ldln0nnn_ppp.tiff, sinon en jpeg 300dpi qualité maximale. (non divulgué, privé)
3. Recadrage en batch (selon les format des ldln) avec xnview ou autres et conversion en jpeg nommés ldln0nnn_ppp.jpg (non divulgué, privé)
4. 2 branches de Conversion
   1. en pdf classique (avec texte OCRisé) par Acrobat DC, un pdf par ldln. ldln0nnn.pdf (non divulgué, privé)
   2. en texte brut ldln0nnn.txt et images jpg numérotées ldln0nnn_ppp.jpg (non divulgué, privé)
5. réalisation d'un index complet automatiquement regroupant tout en un seul pdf chapeau. ldln_Vvvv.pdf
6. extraction automatique de toutes les sous images nommées ldln0nnn_ppp_zz.jpg (non divulgué, privé)
7. concaténation (automatique) de tout les .txt en un seul fichier de ~100Mo (peut tout à fait être ouvert dans certains éditeurs de texte, pour possibilité d'un recherche full text très basique, mais suffisante dans beaucoup de cas) (non divulgué, privé)

• Image Magick : magick convert @list_of_files.txt ldln_xxxx.pdf. Développé un script pour génération automatique de tous les pdf.
• img2pdf.py une alternative qui a le gros l'avantage de ne pas recompresser les pdf

Acrobat DC Pro, le problème, c'est que c'est payant, avec une facture à 200€ d'office…
Il y a aussi CVision, mais je sens que ça va couter une blinde (il faut faire une demande de devis…)
pdf element a aussi l'air d'être un soft pro cher : https://pdf.wondershare.com/contact-sales.html

pour générer les pdf automatiquement par répertoire

https://msdn.microsoft.com/en-us/library/windows/desktop/cc351041(v=vs.85).aspx#_shell_ppw_launching

La méthode pour faire des multi pdf indexés :

choix 1 : adobe acrobat pro dc : https://helpx.adobe.com/fr/acrobat/using/creating-pdf-indexes.html

• génère les index, et index multi pdf.
• peut aussi extraire automatiquement les images

choix 2 : https://www.pdfindexgenerator.com/

• a l'avantage de fonctionner en ligne de commande pour une automatisation complète. (je génère des scripts par un programme en C ou autres)
• on génère un fichier d'index par ldln, on prepend le numéro du ldln à toutes les entrées de l'index
• on fusionne (merge) tous les index en un seul
• ne semble pas capable de faire pointer in pdf d'index vers des sous pdfs.

Pour créer et utiliser un index (acrobat)

A connaître dans acrobat reader : crtl + shift + f permet de lancer une recherche dans tous les pdf dans un répertoire. J'ai essayé, mais je doute que ce soit utilisable pour 400+ pdf, c'est très lent, et même après la recherche, l'affichage des résultats est très lent, ce qui indique une mauvaise conception de la part d'adobe. Mais au moins, on a le contexte qui s'affiche en prévisualisation. ctrl + shift + f est aussi la commande pour lancer la recherche sur un fichier d'index, dans ce cas, ça doit être très rapide.

Il est aussi possible de laisser complètement la tache à windows. Il peut en effet indexer tous les pdf. Ca donne des recherches très rapides. Il faut ensuite ouvrir le fichier sélectionné et refaire une seconde fois la même recherche. Pour que ça marche sous win 7/8/10, il faut faire une manip dans windows.

http://www.documentsnap.com/how-to-fix-pdf-search-in-windows-7-64-bit/

Par respect de http://www.ufowaves.org/ltdsp/ltdsp/fileformats

En raison du nombre de pages assez gigantesque, un répertoire par numéro de ldln dans lequel on trouvera tout pour ce numéro. Peut poser problème pour faire l'index en auto.