tesseract取词

📅 发布于 2019-04-30 17:15 📁 分类: 技术创作 🏷️ 标签: #ocr #tesseract #取词

tesseract是google开源能够使用ocr技术从图片、PDF文件摘取的内容的库，准确率相对较高。

Ubuntu18环境 apt install tesseract-ocr apt install tesseract-ocr-chi-sim

可以查询语言包，有很多种 apt search tesseract-ocr-

apt install imagemagick

开发包 sudo apt install libtesseract-dev

引擎链接 /usr/share/tesseract-ocr/4.00/tessdata

对中文文字的图片进行识别命令如下： tesseract –tessdata-dir /usr/share/tesseract-ocr/4.00/tessdata /home/pdf/1.png /home/pdf/text2 -l chi_sim

其中： –tessdata-dir 引擎 1.png 原始文件 text2 目标文件 -l chi_sim 使用的语言，默认eng

gui推荐链接：https://github.com/tesseract-ocr/tesseract/wiki/User-Projects-%E2%80%93-3rdParty

编程语言级别的api：https://github.com/tesseract-ocr/tesseract/wiki/APIExample

安装后直接使用会出错，pdf无法读写，需要修改配置文件： nano /etc/ImageMagick-6/policy.xml

apt install imagemagick ghostscript

将每页拆成一张图片存放在当前文件夹 convert -density 100 -trim input.pdf output%04d.jpg

tesseract识别pdf方法:https://blog.eson.org/pub/1ff2cbf2/

也可以转换pdf成diff格式进行识别: convert test.pdf test.tiff

使用lzw压缩，文件清晰度和大小都比较优良：【重要】 convert -density 300 -depth 8 -background white -alpha Off -compress LZW 201903tongji.pdf 201903tongji_lzw.tiff

#如果出错( can’t handle bpp > 32),转为8bit的文件,然后使用ocr取词 convert test.pdf -depth 8 test.tiff

识别tiff tesseract test.tiff -l [lan] test.txt

默认转化成txt格式：【重要】 tesseract -l chi_sim 201903tongji.tiff 201903tongji 也可以转化成hocr或pdf格式，只需要默认添加字段即可。

python实现:http://blog.topspeedsnail.com/archives/3571

当文件过大页面过多时，使用convert的过程中可能出现memory溢出的问题，解决方案参考链接。

nano /etc/ImageMagick-6/policy.xml ’’' #修改

#修改 #修改 ’''