Papierloses Büro

Konzept zur Realisierung eines papierlosen Büros

Architektur, Workflow

• Die Scans werden in einem lokalen Verzeichnis (raw) gespeichert und im Archiv abgelegt.
  • Da dieser Schritt aufwändig ist, soll er bei Bedarf (z.B. höhere Auflösung, mehr Farben erforderlich) nicht wiederholt werden müssen, sondern man kann die Scans aus dem HSM holen.
• Die Scans werden in ein anderes lokales Verzeichnis (work) kopiert, in dem folgende Bearbeitungsschritte erfolgen:

  • ggfs. Reduzierung der Auflösung und der Farben mit ImageMagick

  • Entfernung von Artefakten (Dreck)
  • Entfernung von leeren Seiten
  • OCR
  • Erzeugung von PDF/A
  • Indexierung
• Die Dokumente (PDF/A) und ihr Index werden in ein ownCloud-Verzeichnis bei der GWDG (final) synchronisiert.
• Man sucht und betrachtet die Dokumente per Web-Interface in "final". Bei Bedarf kann man sich einzelne Unterverzeichnisse auf einen lokalen Rechner synchronisieren.

• inotify meldet einen neuen File und stößt nächsten Schritt an.

• Für jede Nutzergruppe/Scanner (= ACL-Kombination) gibt es eine eigene Verarbeitungskette.
• Die Zugriffsrechte werden mit den Bordmitteln von ownCloud geregelt.

Scannen

Einscannen mit Raspberry Pi, Ubuntu-PC und Scanner

• Raspberry Pi und Dokumentenarchivierung

• Raspberry Pi und SANE als Netzwerkscanner im Einsatz]

• Raspberry-Server für Duplex-Dokumentenscanner]

• Fujitsu Scansnap ix500 mit Raspbian (Raspberry Pi) als Scanserver nutzen]

• Fujitsu ScanSnap iX500] - ein gerne verwendeter Scanner - Hier bitte beachten, dass der Drucker nicht TWAIN-Kompatibel ist. Damit ist z.B. eine Weiterleitung/Nutzung in einer Citrix XenApp-Session und auch Grafik-Software, die nur auf TWAIN setzt, nicht möglich. Siehe auch HIER.

• Herr Breinlinger bietet Support für seine Lösung an. Wenn man den Scanner an einen Ubuntu-PC hängt und nicht an einen Raspberry Pi, läuft die Lösung stabiler.

Nachbearbeitung der Scans

• unpaper (home) - Kommandozeilenprogramm zur Nachbearbeitung von fotokopierten/gescannten Bild- und Textvorlagen.

• unpaper wird wohl nicht mehr weiterentwickelt, so dass imagemagick eine Alternative wäre, z.B. despeckle

OCR

• tesseract-ocr

  • beste Lösung für automatisierten Betrieb

  • wird von Google genutzt (z.B. fürGoogle Books) und gepflegt

Erkanntes in PDF integrieren

• mit PDF/A-1a – Level A (Accessible) conformance: sowohl eindeutige visuelle Reproduzierbarkeit als auch Abbildbarkeit von Text nach Unicode und inhaltliche Strukturierung des Dokuments, so dass es im Sinne der Barrierefreiheit von einem Screenreader vorgelesen werden kann.

• OCRmyPDF - Kommandozeilenprogramm, um für eingescannte PDF-Dateien eine durchsuchbare Textebene zu erstellen. OCRmyPDF wandelt das PDF eines Scans in PDF/A und macht dabei u.a.: Geradeziehen, Säubern, OCR, PDF/A-Validierung. positiv getestet

siehe auch:

• Langzeitarchivfähige Dateiformate

• Technische Standards für die Ablieferung von Netzpublikationen - u.a. Tipps zur Erstellung PDF/A-konformer Dateien

• freier PDF/A-Validator Vera PDF - bietet Installer für Linux

• JHOVE - in Projekt, um ein erweiterbares Tool zur Formatvalidierung zu entwickeln

Wenn das PDF/A nicht dem Standard entspricht, wird es über kurz oder lang Probleme geben, die nur mit viel Arbeit zu beheben sind.

Erkanntes indexieren

Volltextsuche mit Recoll - Dieser Beitrag erläutert die Einrichtung bis zum Ausbau als Dokumentenzentrale im Netz mit Hilfe von Recoll WebUI

• recoll verarbeitet im Netzwerk auch Anfragen über den Webbrowser.
• indexiert (mit geeigneten Filtern): .pdf, .doc, .tar, .zip, .ps, .rtf, .tex, .txt, .html, ...
• ggfs. 1x/h incrementelle Indexierung anstoßen

offene Fragen:

• Index über alle finalen Ordner (Problem: Man kann finden, was man nicht lesen darf.) oder für jede Nutzergruppe einzeln. Problem: Man muss mehrmals suchen. Man sollte mit wenigen Nutzergruppen (Direktoren, Mitarbeiter) arbeiten, so dass diese wissen, wo sie suchen müssen bzw. ggfs. muss man nicht oft suchen.

Misc

Präferierte Hardware:

• FUJITSU ScanSnap iX500 als Scanner

• Raspberry Pi als Steuerungsrechner

Siehe auch

• Paperwork ist ein in Python verfasstes Programm zur Digitalisierung, Indexierung und Archivierung von Dokumenten aller Art.

Offene Fragen

• Scannen
  • Welche Scanner verwenden?
  • Mit wieviel dpi scannen? Soll zukunftssicher sein. Kann in einem nächsten Schritt heruntergereechnet werden.
  • Mit wieviel Farben scannen? Soll zukunftssicher sein. Kann in einem nächsten Schritt heruntergereechnet werden.
  • In welchem Format sollen diese Rohdaten archiviert werden?

  • Wie kann man einen RPi mit LCP-Display (oder diesem Display) zur Steuerung des Scanners nutzen? Die Daten sollen dann vom RPi auf einen Ubuntu-Server zur Weiterverarbeitung übertragen werden.

• Post-Processing der Scans
  • Mit welchen Tools erledigt man am besten folgende Aufgaben im Processing:
    • Geraderücken
    • Ränder entfernen, wenn z.B. nur eine Visitenkarte eingescannt wurde
    • Falten, Dreck, Grauschleier entfernen

Anmerkungen, Anregungen

Anmerkungen, Anregungen, Verbesserungsvorschläge hinterlasse man bitte auf der Diskussionsseite