Linux 下的 Python OCR 模块？

Question

我想在linux中找到一个易于使用的OCR python模块，我找到了pytesser http:// code.google.com/p/pytesser/，但它包含一个 .exe 可执行文件。

我尝试更改代码以使用 wine，它确实有效，但它太慢了，而且确实不是一个好主意。

有没有像它一样易于使用的 Linux 替代品？

Answer 1

您可以将 tesseract 包装在函数中：

import os
import tempfile
import subprocess

def ocr(path):
    temp = tempfile.NamedTemporaryFile(delete=False)

    process = subprocess.Popen(['tesseract', path, temp.name], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
    process.communicate()

    with open(temp.name + '.txt', 'r') as handle:
        contents = handle.read()

    os.remove(temp.name + '.txt')
    os.remove(temp.name)

    return contents

如果您需要文档分段和更高级的功能，请尝试 OCropus。

Answer 2

除了 Blender 的答案（仅执行 Tesseract 可执行文件）之外，我想补充一点，OCR 还存在其他替代方案，也可以称为外部进程。

ABBYY 命令行 OCR 实用程序： http://ocr4linux.com/en:start

它不是免费的，因此仅当 Tesseract 精度不足以满足您的任务，或者您需要更复杂的布局分析，或者需要导出 PDF、Word 和其他文件时才值得考虑。

更新：以下是 ABBYY 和 tesseract 准确性的比较：http://www. splitbrain.org/blog/2010-06/15-linux_ocr_software_comparison

免责声明：我工作适用于泰比

Answer 3

python tesseract

http://code.google.com/p/python-tesseract

import cv2.cv as cv
import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

image=cv.LoadImage("eurotext.jpg", cv.CV_LOAD_IMAGE_GRAYSCALE)
tesseract.SetCvImage(image,api)
text=api.GetUTF8Text()
conf=api.MeanTextConf()

Answer 4

您应该尝试使用优秀的 scikits.learn 机器学习库。您可以在此处和此处。

Answer 5

你在这里有很多选择。

正如其他人指出的，一种方法是使用超正方体。看起来现在有一堆包装器，所以最好的方法是 对它进行快速 pypi 搜索。目前最常用的是：

• pytesseract
• pytesser
• tesserwrap
• pyocr

另一个查找类似引擎的有用网站是 alternative.to。根据他们的说法，一些基于 Linux 的系统是：

• ABBYY
• Tesseract
• CuneiForm
• Ocropus
• GOCR