synOCR synOCR - GUI für OCRmyPDF

[adallmo]

ein fehlerhaftes Leerzeichen in der Regeldatei war es... Danke für den Support, Stephan

 

[DeeKay1]

Hola.
Ich steh gerade auf dem Schlauch. Ich hab denselben Regex für tagname_RegEx und für die Subrule. Subrule wird gematched, den tag-Regex findet er aber nicht.
Ideen?

[runtime up to now:    00:00:40]

                search by tag rule: "Kontoauszug" ➜ 
                  ➜ condition:        all
                  ➜ tag:              §tagname_RegEx
                  ➜ destination:     
                  ➜ RegEx for tag:    \b\S*kontoauszug\S*\b
                  ➜ multilineregex:   [value for multilineregex is empty - "false" is used]
                      [Subrule]:
                          [value for multilineregex is empty - "false" is used]
                      >>> search for:      \b\S*kontoauszug\S*\b
                          isRegEx:         true
                          searchtyp:       contains
                          source:          content
                          casesensitive:   false
                          multilineregex:  false
                          grep parameter:  i
                          ➜ Subrule matched
                          [value for multilineregex is empty - "false" is used]
                      >>> search for:      Informationsbogen für den Einleger
                          isRegEx:         false
                          searchtyp:       does not contain
                          source:          content
                          casesensitive:   false
                          multilineregex:  false
                          grep parameter:  i
                          ➜ Subrule matched
                          >>> Rule is satisfied

                              ➜ search RegEx for tag ➜ RegEx not found (fallback to §tagname_RegEx)

 

[Struppix]

Setz mal "Kontoauszug " in Klammern. Dann sollte es gehen.

Gruß Karsten

 

[DeeKay1]

Wieso hilft mir eine Gruppierung an der Stelle weiter?
So wie es aussieht liegt es an Groß-/Kleinschreibung. In den subrules hab ich casesensitive auf "false", was grep-Parameter "i" aktiviert. Dieser ist beim tagname-Regex nicht aktiv.
Ich brauche wohl noch ein (?i) bei den tagname_Regex-Suchen.

 

[Struppix]

Auch möglich. Ist aber Standard mäßig gesetzt. Schaden kann es nicht.
Aber wieso probierst Du nicht erstmal was ich schrieb

 

[DeeKay1]

Aber wieso probierst Du nicht erstmal was ich schrieb

Hab ich, hat nicht funktioniert. Gerne aber noch die Erklärung von dir, wieso es funktionieren soll. Ich setze Regex beruflich sehr stark/viel ein. Wieso Klammern (=Gruppen) bei case-sensitivity helfen sollen kapier ich aber nicht.

Ist aber Standard mäßig gesetzt.

Scheinbar nicht, sonst würde es ja funktionieren

Was mir in der aktuellen Beta auch auffällt: Min/Max Year für Date scheinen nicht korrekt zu greifen.
2021 ist als Min-Year gesetzt. Datei wird aber mit 2018 als Jahreszahl angelegt.

 

[DeeKay1]

Gerade mal in den Code geschaut. Kann es sein das minYear/maxYear "nur" für die Suche mittels Python implementiert ist?
Zwar verwende ich diese, in dem konkreten Dokument bricht sie aber mit untenstehendem ab.



Wobei es so aussieht als findet das Python-Skript kein Datum, da es nur ein Datum im Dokument gibt und dieses außerhalb der Range ist. Da ist es dann natürlich kontraproduktiv die Regex-Suche hinterherzujagen, die dann genau dieses Datum findet und nutzt.

 

[Struppix]

Das mit casesensitive in der Hauptregel war eigentlich gefixt. Ich prüfe das gleich mal. Hatte das Problem früher oft. Deswegen setze ich die inlineoption (?i) meist automatisch, damit dieses Problem ausgeschlossen wird.

 

[Schrotti]

Sagt Mal Leute, kann ich eigentlich auch einen USB Stick als zu überwachendes Laufwerk benennen?

 

[Struppix]

Also ist wohl leider so. Ich glaube mich wieder zu erinnern, dass casesensitiv in der Hauptregel derzeit gar nicht als Option zur Verfügung steht. @geimist Stephan korrigiere mich bitte.
Deshalb hilft nur die InlineOption (?i), wie im wiki beschrieben. Im Wiki ist diese Regel bespielhaft 700 genannt.

Gruß Karsten

 

[geimist]

Das ist korrekt, weil §tagname_RegEx erst später mal hinzugefügt wurde.

 

[geimist]

Sagt Mal Leute, kann ich eigentlich auch einen USB Stick als zu überwachendes Laufwerk benennen?

Probieren. Ich gehe aber davon aus, dass du synOCR / bzw. die Überwachung durch die Inotfy-Tools neustarten musst, wenn du den Stick zwischenzeitlich mal trennst. Über den Aufgabenplaner sollte es lediglich eine Fehlermeldung geben, weil der Quellordner nicht passt.

 

[DeeKay1]

Und wie sieht’s mit dem Datumsthema aus?
Ich würde mir das ansehen und ggf. einen PR schicken. Allerdings müsste mir vorher jemand das Zusammenspiel aus Python- und Regexsuche erklären. Ist das Regex ein reiner Fallback falls Pyhton fehlschlägt oder prüft das Regex auch auf zusätzliche Fälle, die mit der Python-Lib nicht möglich sind? Also ist es ein entweder/oder oder müssen die Datumswerte aus beiden in eine gemeinsame Ergebnismenge?

 

[geimist]

Sinn macht hier nur entweder / oder – einzustellen über die GUI.
Details bitte direkt mit @Gthorsten abstimmen, damit hier nicht unnötig Mühe verpulvert wird.

 

[Gthorsten]

Nun ja wenn mein Skript nichts findet, so wie oben, weil es aus dem range ist, was soll ich dann machen.
Schick mit mal bitte eine beispiel dann sehe ich mir das an, habe gerade eh noch eine Änderung in arbeit

 

[DeeKay1]

Komm heute nicht mehr an den Rechner. Aber reproduzieren sollte es sich lassen indem du min/Max so wählst, dass line 1051 in synocr.sh kein Ergebnis liefert. Erwarten würde ich, dass dann der in den Settings definierte Fallback greift. Also zB, dass das Änderungsdatum der Datei verwendet wird. Die Definition von min/max year sollte ja global gelten, auch dann wenn der Fallback auf die Regex-Search ausgeführt wird.

 

[Gthorsten]

Also das min max year kam mit dem python Modul dazu. Das hat in dem normalen bash Script nie eine Funktionen gehabt, macht es glaube ich auch nur unnötig kompliziert

 

[DeeKay1]

Das hatte ich befürchtet. Seh nur ich das als inkonsistent an?
Man setzt in den Settings bewusst ein min-year -> das führt dazu das Funktion 1 kein Ergebnis liefert -> die Hauptlogik sagt „kein Ergebnis - alles klar dann auf in (eigentlich nur als fallback gedachte) Funktion 2“ -> aber Funktion 2 ignoriert die global definierten min/Max years dann komplett. Für was setze ich denn dann vorher ganz bewusst ein min year? Das mache ich ja nur weil ich definitiv Datumsangaben vor diesem Minimum nicht haben möchte.
Wie gesagt, ich bau das gerne um und sende einen PR. Den Aufwand mache ich mir aber nicht sofern du von vornherein schon sagst, dass das Quatsch ist

 

[Gthorsten]

Nein das wollte ich damit nicht sagen.
Wollte nur mal die historie beschreiben.
Die Python Funktion gab es früher nicht.
Da gingen nur numerische Daten.
Dann habe ich das Python Modul gebaut, und das andere blieb glaube ich als fallback.
Dann sollte man vielleicht überlegen ob man das fallback gerausnimmt, dann ist es ja eindeutiger.

Weil im Prinzip war ja alles richtig, du hast ein min oder max gesetzt und die Python Suche hat nichts gefunden.
.
Aber die Gründe warum die bash Suche noch drin ist muss sich vlt Stephan mal zu äußern.

Fände auch nur ein einzige Suche viel besser

 

[Gthorsten]

Habe die Diskussion zu dem Thema mal hierhin verlagert,
denn hier verwirrt sie nur.
https://github.com/geimist/synOCR/discussions/4#discussion-5004628