Tesseract y su implementación en el flujo de digitalización de la BDCV

Los avances en las tecnologías de la información, han permito a las bibliotecas evolucionar en el cumplimiento de sus funciones de custodia, organización, preservación y diseminación de recursos de información,, llevándolas al plano digital (Espíndola y Urra, 2014); con la finalidad de extender más allá de sus muros el alcance de sus servicios, y gracias a la disponibilidad de equipos y servicios informáticos que se comercializan a precios accesibles las bibliotecas tienen la posibilidad de adquirir equipos con una buena relación entre calidad y precio, teniendo así la posibilidad de llevar parte de su acervo físico al mundo digital, mediante un proceso llamado digitalización. 

El proceso de digitalizar un documento de texto, es decir, la acción de crear una representación digital del mismo requiere de un dispositivo llamado escáner, el cual toma una fotografía del texto a digitalizar (generalmente una página o dos por foto) y lo guarda como un archivo de imagen (extensiones TIF, PNG JPG son las más usuales) en la computadora; a partir de un conjunto de estas imágenes es posible crear un PDF. Hasta este punto, podemos entender que la representación digital de un libro (por dar un ejemplo) es un PDF que se corresponde con su versión en papel, se navega pasando páginas, el contenido es comprensible para un humano que domine el idioma en el que está escrito, el índice del mismo puede ser consultado por el usuario y podrá identificar y desplazarse hasta la página que le interese, muy similar a un libro físico. Sin embargo, de este modo no es posible explotar las bondades del formato PDF, es decir, no se pueden realizar búsquedas de texto, hacer el clásico “Copy & Paste”, o incluso permitir la extracción de texto para emplearlo en algún corpus lingüístico para propósitos de investigación, siendo especialmente recomendable contar con ellas para subirse a un repositorio nacional u otro sistema de gestion documental.

Para enriquecer con estas funciones a la representación del libro o documento en PDF, este debe pasar por un proceso llamado Reconocimiento Óptico de Caracteres (OCR por sus siglas en inglés) y para esto sirve el software libre llamado Tesseract. Según la Wikipedia, Tesseract es un motor de OCR, es decir, un software que se encarga de reconocer caracteres y palabras dentro de una imagen mediante técnicas de reconocimiento de patrones. Tesseract, a diferencia de los motores OCR comerciales (que suelen incluirse como versiones “demo” en la compra de un scanner) es un software libre, es decir, permite adaptarlo a las necesidades del usuario, e incluso automatizar, mediante un script (conjunto de instrucciones en un lenguaje de programación), el proceso de OCR y aplicarlo a grandes cantidades de imágenes en una sola ejecución. 

 

Para dar un ejemplo se describirá a continuación, en términos simples, el flujo de trabajo que se sigue en la Biblioteca Daniel Cosío Villegas para la digitalización de documentos de texto con fines de difusión e investigación, mismo que aprovecha las bondades de Tesseract para automatizar el proceso de OCR. 

Como parte de una política orientada a la preservación digital, y siguiendo las buenas prácticas recomendadas por Chapman (2000), se digitaliza cada página de un documento en calidad de 300dpi en formato TIF (el cual es un formato idóneo para la precisión del proceso de OCR), para posteriormente ser almacenadas en una carpeta con el nombre de la obra, y a su vez se guarda en otra que contenga documentos del mismo tipo con una estructura similar a la de la siguiente imagen. 

Estas carpetas corresponden a nuestras versiones de preservación, es decir, una versión de alta calidad y por consecuencia, mayor espacio requerido de almacenamiento. Posteriormente, mediante un script en lenguaje Python (comunicándose con Tesseract), recorremos todas estas carpetas y archivos (uno a uno) para crear las versiones de difusión, que corresponden a un archivo PDF de múltiples páginas y con texto consultable y recuperable, listo para subirse en un repositorio digital. 

Para consultar un ejemplo funcional puede descargar el siguiente script. 

El script de ejemplo realiza las siguientes funciones: 

 

1. Crea carpetas auxiliares para el proceso de compilación y generación de OCR. 
2. Recorre recursivamente (una a una) la ruta absoluta que se le asigne e ignora las carpetas auxiliares. 
3. Identifica las carpetas que ya cuenten con su versión en PDF y las ignora 
4. Crea un PDF con OCR de las carpetas que no cuenten con uno. 
5. No importa el número de documentos el script procesara todos los que existan y se puede correr cada vez que se agreguen nuevas carpetas con archivos TIF 

 Como se puede apreciar, Tesseract es altamente adaptable y es relativamente sencillo elaborar uno de estos scripts para automatizar el proceso de OCR en un flujo de trabajo específico, y solo es necesario contar con un escáner sencillo para la mayoría de los textos, el cual suele tener un precio bastante accesible (por ejemplo) todo esto es muy positivo dado que el software, para ser considerado eficiente, debe adaptarse al flujo de trabajo y no a la inversa, y las posibilidades para enfrentar nuevos escenarios y/o requerimientos se incrementan. En conclusión, explorar las posibilidades del software libre resulta muy beneficioso para las bibliotecas en términos de flujos de trabajo y de recursos económicos, dado que se puede tener un importante ahorro en el costo de licencias y no se requieren equipos muy costosos. 

 

Referencias: 

 

Chapman, S. (2000). Developing Best Practices: Guidelines from Case Studies . En Handbook for Digital Projects: A Management Tool for Preservation and Access (1.ª ed., p. 117,118,119). Massachusetts: Maxine K. Sitts. Massachusetts: Maxine K. Sitts. 

 Espíndola Rosales, Jessica María and Urra González, Pedro El proceso de digitalización para la construcción de las bibliotecas digitales cubanas. Estudio de casos. Bibliotecas. Anales de Investigación, 2014, vol. 10, n. 10, pp. 107-127. 

 Tesseract OCR. (2019). Consultado el 20 de Julio de 2020, en: https://es.wikipedia.org/wiki/Tesseract_OCR. 

 

---

---