Me dio gusto ver que los libros de texto gratuitos están disponibles para su consulta en internet. En un principio creí que se podían descargar en formato PDF pero no existe esta opción.
Y luego me dije a mi mismo … Mi mismo ¿Y si descargas las páginas del libro y generas un PDF a partir de esas imágenes?
Así que puse manos a la obra y elaboré un programita en bash para descargar los libros de texto gratuitos o cualquier libro que se presente en un formato similar.
A descargar las imágenes del libro.
Lo primero es abrir un libro.
En este enlace están disponibles los libros de primaria:
Y en este otro los de secundaria:
Para ejemplo práctico elegí el Libro de matemáticas de primer año. Si inspeccionamos la página del libro verán que las imágenes están almacenadas en la misma carpeta y las imágenes tienen como nombre un número de 3 dígitos de este modo.
https://libros.conaliteg.gob.mx/20/c/P1MAA/000.jpgAsí que es relativamente fácil hacer un script en Bash para que haga un barrido y con wget descargar una por una las páginas del libro.
#!/bin/bash
# Descargar libro de texto
for i in {000..300}
do
wget https://libros.conaliteg.gob.mx/20/c/P1MAA/$i.jpg
doneEn realidad no se la cantidad de hojas disponibles, así que elegí un número alto. Cuando el script empiece a informar errores en las descargas sabré que ya no hay más hojas disponibles.
Ahora a encuadernar las hojas sueltas con un PDF
El archivo PDF nos va a servir para guardar todas las imágenes en un solo archivo. Esto no es algo nuevo para mí, ya había hecho algo similar en Convertir todas las imágenes de un directorio a PDF.
gm convert *.jpg -adjoin -compress JPEG libro.pdfSi agregamos esta instrucción al final del script en bash, todo se hace en una sola ejecución. Para este ejemplo, el archivo resultante quedó en 49.7 MB ¡Excelente!
Enseñándole a leer al PDF.
Todo estaría bien hasta este punto, si no fuera por un comentario en Twitter de Jorge Vázquez en el que menciona que el hace algo parecido con otras herramientas y además le aplica Reconocimiento óptico de caracteres (OCR).
Y no me quise quedar atrás. El OCR le agrega una capa de texto al PDF que facilita las búsquedas. Ahora necesitaba un programa que literalmente leyera todas las hojas del libro que acabo de crear y agregara esa información al archivo PDF.
Me encontré con un programa con el nombre más simpático que puede uno encontrar: ocrmypdf y hace exactamente lo que estaba buscando. Así que después de hacer esto:
ocrmypdf -l spa libro.pdf libro-con-ocr.pdf
Ya tenía un PDF al que le podía hacer búsquedas o seleccionar y copiar textos, claro con algunas imprecisiones ya que el OCR no es perfecto.
Conclusiones.
El mismo procedimiento se puede aplicar a todos los libros de texto (o eso espero) o a cualquier libro con una presentación similar.
Espero que esta información para descargar libros de texto gratuitos les sea de utilidad, se que es algo técnico pero a lo mejor sirve de inspiración para algo más elaborado.
¡Bendita nueva normalidad!
