dikuever/kennedy_files
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Dieses Repository enthält Skripte zur Verarbeitung der im März 2025 herausgegebenen Kennedy Files.
8 Commits 1 Branch 0 Tags 48 KiB
Python 83.3%
Shell 16.7%
b4372026fd
Go to file
Dirk b4372026fd Bildqualität von 300 auf 100 gesenkt um Speicher zu schonen
2025-03-22 18:34:01 +01:00
files_final.csv Pfad auf die PDF Dateien zum herunterladen 2025-03-21 21:13:46 +01:00
kennedy_loader.sh Downloader der PDF Dateien 2025-03-21 21:14:28 +01:00
max_extract.py Bildqualität von 300 auf 100 gesenkt um Speicher zu schonen 2025-03-22 18:34:01 +01:00
readme.md tesseract-ocr als apt Paket hinzugefügt 2025-03-22 18:33:22 +01:00

readme.md

Kennedy-Files - Verarbeitung ins Textformat

Einleitung

Im März 2025 wurden die bis dahin geheimgehaltenen Dateien zum JFK-Attentat veröffentlicht. Es handelt sich um mehr als 4000 PDF-Dokumente, die von Originaldokumenten erstellt wurden. Viele PDF-Dokumente haben mehr als eine Seite.

Die vorliegenen Skripte und Listen dienen dazu, die PDF-Dokumente herunterzuladen und mit Open Source Mitteln in Textdateien umzuwandeln. Die Konvertierung erleichtert die Suche nach Schlüsselwörtern.

Verarbeitung

Um die Umwandlung in Textdateien zu ermöglichen, müssen vorab einige Abhängigkeiten installiert werden:

sudo apt update
pip install pytesseract pdf2image pillow
sudo apt install tesseract-ocr

Nachdem man das git-Repository heruntergeladen hat, müssen zunächst die PDF-Dateien heruntergeladen werden. Bitte berücksichtigen, dass es ca. 6GB Plattenplatz benötigt. Den Download startet man direkt aus dem Repository-Ordner. Hinweis: die Datei final_files.csv Datei muss sich im Ordner befinden, ansonsten werden die Dateien nicht heruntergeladen.

./kennedy_loader.sh

Das Skript erstellt einen neuen Order im Repository-Ordner namens "./kennedy_files", dort werden die PDF-Dateien abgelegt. Sollte der Ordner noch nicht vorhanden sein, wird er erstellt.