Tesseract 将图像批量转换为可搜索的 PDF 和多个相应的文本文件
Tesseract Batch Convert Images to Searchable PDF And Multiple Corresponding Text Files
我正在使用 tesseract 将图像列表批量转换为可搜索的 PDF 以及包含 OCRd 文本的 TXT 文件。
tesseract infile outfile -l eng myconfig
- infile 包含要处理的图像路径列表
- myconfig 包含 tesseract 首选项以指定输出类型（tessedit_create_text 1 和 tessedit_create_pdf 1)
这给我留下了 outfile.pdf 和 outfile.txt，后者包含用于分隔的页面分隔符图片之间的文字。
然而，我真正想做的是在每个图像的基础上输出多个 TXT 文件，使用相同的对应图像名称。例如，Image1.jpg.txt、Image2.jpg.txt、Image3.jpg.txt...
tesseract 是否可以选择原生支持此行为？我意识到我可以遍历图像文件列表并在每个图像的基础上执行 tesseract，但这并不理想，因为我还必须再次 运行 tesseract 以生成合并的 PDF。相反，我想同时 运行 这两个选项，整体执行时间更短。
我也意识到我可以在页面分隔符上将合并的 TXT 文件拆分成多个文本文件，但是我不得不引入不太优雅的代码来映射和重命名所有这些拆分文件以对应于它们的原始图像名称: 将 0001.txt 重命名为 Image1.jpg.txt...
我正在使用 Python 3 和 Linux 命令。
由于 Tesseract 本身似乎无法处理此问题，因此我刚刚开发了一个功能，可以将页面分隔符上的合并 TXT 文件拆分为多个文本文件。尽管根据我的观察，我不确定通过同时将批处理图像转换为 PDF 和 TXT（相对于 运行 它两次 - 一次用于 PDF，一次用于 TXT），Tesseract 运行得更快。
您可以准备一个循环处理输入图像并同时输出到 txt 和 pdf 的批处理文件——效率更高，一次 OCR 操作而不是两次。然后，您可以将输出的 .txt 文件拆分为页面。
tesseract inimagefile outfile txt pdf
谢谢！
顺便说一句，我正在使用 4.1.1。
而且我发现了另一个西班牙语训练数据，它比标准数据做得更好。实际上很好地识别 "o" 字符。唯一的问题是处理时间，但我让电脑通宵工作。
老实说，我不知道新的 traineddata 文件如何更好地完成工作。我在以下位置下载：
https://github.com/tesseract-ocr/tessdata_best
我正在使用 tesseract 将图像列表批量转换为可搜索的 PDF 以及包含 OCRd 文本的 TXT 文件。
tesseract infile outfile -l eng myconfig
- infile 包含要处理的图像路径列表
- myconfig 包含 tesseract 首选项以指定输出类型（tessedit_create_text 1 和 tessedit_create_pdf 1)
这给我留下了 outfile.pdf 和 outfile.txt，后者包含用于分隔的页面分隔符图片之间的文字。
然而，我真正想做的是在每个图像的基础上输出多个 TXT 文件，使用相同的对应图像名称。例如，Image1.jpg.txt、Image2.jpg.txt、Image3.jpg.txt...
tesseract 是否可以选择原生支持此行为？我意识到我可以遍历图像文件列表并在每个图像的基础上执行 tesseract，但这并不理想，因为我还必须再次 运行 tesseract 以生成合并的 PDF。相反，我想同时 运行 这两个选项，整体执行时间更短。
我也意识到我可以在页面分隔符上将合并的 TXT 文件拆分成多个文本文件，但是我不得不引入不太优雅的代码来映射和重命名所有这些拆分文件以对应于它们的原始图像名称: 将 0001.txt 重命名为 Image1.jpg.txt...
我正在使用 Python 3 和 Linux 命令。
由于 Tesseract 本身似乎无法处理此问题，因此我刚刚开发了一个功能，可以将页面分隔符上的合并 TXT 文件拆分为多个文本文件。尽管根据我的观察，我不确定通过同时将批处理图像转换为 PDF 和 TXT（相对于 运行 它两次 - 一次用于 PDF，一次用于 TXT），Tesseract 运行得更快。
您可以准备一个循环处理输入图像并同时输出到 txt 和 pdf 的批处理文件——效率更高，一次 OCR 操作而不是两次。然后，您可以将输出的 .txt 文件拆分为页面。
tesseract inimagefile outfile txt pdf
谢谢！
顺便说一句，我正在使用 4.1.1。
而且我发现了另一个西班牙语训练数据，它比标准数据做得更好。实际上很好地识别 "o" 字符。唯一的问题是处理时间，但我让电脑通宵工作。
老实说，我不知道新的 traineddata 文件如何更好地完成工作。我在以下位置下载： https://github.com/tesseract-ocr/tessdata_best