No es un secreto que hoy día el pirateo de libros es inmenso. Gracias al formato PDF en lo general, muchos libros se han escaneado y puestos en portales piratas y pseudo legales, por ejemplo, b-ok.lat, el cual -me sorprende- no ha sido cerrado por contener millones de libros actuales en PDF de acceso gratuito (5 por día para usuario no registrado y diez por día, si el usuario se ha registrado).
Muchos de los libros pirateados tienen calidades de escaneo diversas. Algunos parecen haberse escaneado a mano, poniendo cada hoja en el escáner, y procediendo al proceso de copiado. Otros -da la impresión- son libros que se han pasado a PDF desde el original, probablemente en Word o LaTeX, esto último si se trata de un libro de matemáticas.
Pues bien, en un sitio de Internet absolutamente pirata hallé un libro que tengo guardado en una caja, el cual está en una bodega en casa de mi madre, y que no he podido buscar por falta de tiempo. Se trata del libro sobre la defensa escandinava, de Hartman y Taulbut, que me parece uno de los mejores trabajos sobre el tema. Hay que decir que el libro es anterior al año 2000 y quizás por eso no lo había hallado antes, pues en general se escanean libros modernos. Sin embargo, alguien lo halló en archive.org y lo subió al sitio de libros de ajedrez pirata.
Lo descargué y hallé que el escaneo no es malo, pero claramente se trata de un pdf de imágenes en color, en donde las páginas se ven ya grisaseas -quizás por el paso del tiempo. Pienso que el libro así funciona para todo fin práctico, pero se me ocurrió que si "blanqueara" cada página, la lectura sería mejor. Entonces puse manos a la obra, saqué mi compilador de Delphi y en menos de una hora había logrado mi cometido.
Para poder procesar el archivo PDF, página por página, primero lo pasé por el sitio ILovePDF.com, el cual tiene una opción que me permite convertir cada página del libro en imágenes JPG. Una vez teniendo esas imágenes, escribí un programa que permite al usuario ir a la carpeta donde están estas imágenes para procesarlas todas automáticamente.
El proceso de blanquear cada imagen fue pasar de una imagen de color a una de blanco y negro, es decir, del formato de 24 bits de color: rojo, verde y azul a simplemente puntos negros y blancos, es decir, formato de un solo bit. Es claro que en este formato se tiene punto negro o blanco. El procesamiento de cada imagen se hace usando scanline, que permite procesar líneas de puntos de color muy rápidamente para convertir a blanco y negro. De hecho, el proceso para hacer esto no lo escribí yo, sino que lo saqué de una discusión que había encontrado en Internet acerca de este tópico.
El programa convierte las 147 imágenes en muy poco tiempo, menos de un par de minutos. Una vez hecho esto, lo único que falta es usar de nuevo ILovePDF para pasar estas imágenes al formato PDF. Sin embargo, el resultado no fue tan bueno como esperaba. He aquí un ejemplo:
Como puede verse, en los bordes no queda como puntos blancos y negros. Esto no me convenció y ahora estoy pensando en cómo solucionar esto. Sin embargo, creo que el experimento fue relativamente exitoso. Ahora estoy en proceso de mandar el libro con las imágenes blanqueadas al sitio pirata por si alguien quiere el libro con las páginas en estricto blanco y negro.
15 comments:
Sonará muy obvio pero... y si pega la imagen del libro en un Word y de ahí lo convierte a pdf. De que podría ser muy problemática mi propuesta y que de no tener las herramientas tardaría mucho
Hola Morsa.
puedes comprimir las imagenes en un archivo zip y cambiarle la extencion a .CBZ (algunos lectores de pdf los abren sin problemas) o puedes crear un archivo .djvu (otro formato de ebook) y despues convertirlo a pdf
El problema de convertir ya cada imagen en blanco y negro a pdf se resolvió usando https://www.freepdfconvert.com/es/jpg-a-pdf
saludos
manuel
En photoshop los parámetros de imagen se pueden controlar bastante bien. Una vez encontrado el ajuste correcto, escribes un pequeño programa en python para automatizar el proceso y listo :D
qué tal que lo haces a ver si logras mejoras... este es el enlace al pdf original: https://www.mediafire.com/file/r9xdnrm56dimpme/Harman,+Ron+&+Taulbut,+Shaun+-+Winning+with+the+Scandinavian.pdf/file
Ese es un asunto bastante sencillo: aquí muestro el resultado que consigo:
https://app.dipalme.org/dipalbox/index.php/s/1T00GcvHRmCWDIU
he empleado el valor 100 para "threshold"
se hace desde python3 con la biblioteca PIL
incluso existe un deslizante que permite ver en vivo el umbral "threshold" adecuado.
Si te interesa, responde.
puedes mostrarme tus resultados?
me refiero a todo el documento
Bueno, lo tengo, mañana se lo enviaré, primeramente hice una prueba en duotono, pesaba el pdf 11 MB, pero en el camino se habían perdido algunos píxeles y era más duro de leer (menos legigle) [el escaneo es bastante mejorable], en éstas, un amigo talentoso vino en mi ayuda con opencv, que ha conseguido lo mismo pero en escala de grises -algunos MB más-, y por tanto más legible, por último se han enderezado páginas, eliminado anotaciones, portada color ...
Ya verá el resultado, pero le adelanto que gratis no le va a salir, jejé; sí económico por que hay demasiados miles de Kms de por medio para tomarse algo.
Hasta mañana, que voy a dormir.
<<<< "Ese es un asunto bastante sencillo: aquí muestro el resultado que consigo...
he empleado el valor 100 para "threshold", se hace desde python3 con la biblioteca PIL
incluso existe un deslizante que permite ver en vivo el umbral "threshold" adecuado.
Si te interesa, responde. "
pues a ver el costo, porque todo esto lo he hecho por mero interés intelectual. Entiendo que te ha llevado tiempo y que quieres que ese tiempo valga.
Hola Morsa,
Con el Corel PhotoPaint se hace muy fácil, pasame tu correo y te digo los pasos.
Un saludo.
por qué no bajas el libro original y me muestras tus resultados en un par de páginas?
Poe ejemplo, usa la imagen de la página en gris a ver cómo queda, va?
Morsa, te puesto los pasos de como se hace con el Corel PhotoPaint y de paso ya te hecho el libro entero, lo he comprimido todo en un archivo Rar, aquí te dejo el enlace para que lo descargues, lo he subido a Wetransfer, la descarga dura 7 días luego se borra.
https://we.tl/t-KXJFrXpZBk
Saludos.
ya lo vi. Gran trabajo!
Post a Comment