Papierloses Büro

Gedanken 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 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.
• Scans werden in ownCloud-Ordnern gespeichert. Alles Tools, Server und Nutzer greifen auf diese Ordner zu.

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

• Für jede Nutzergruppe (= ACL-Kombination) gibt es eine eigene Verarbeitungskette.

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.

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, Fußvolk) arbeiten, so dass diese wissen wo sie suchen müssen bzw. ggfs. muss man nicht oft suchen.

Siehe auch

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

Anmerkungen, Anregungen

Anmerkungen, Anregungen, Verbesserungsvorschläge hinterlasse man bitte auf der Diskussionsseite