Julia学习笔记：使用Tesseract包进行OCR

这几天，工作中需要整理大量文档，而且，需要将文档中特定部分摘录汇总。可是这些文档均为扫描而成的pdf文件，如果将其中需要的特定部分进行摘录，需要重新打字转录，那真是费时费力。可工作还要进行，这可如何是好？难道只能硬着头皮一个一个打字？那真是不符合我们“懒人”的做派。

突然想到Julia中可以使用Tesseract包实现OCR功能，于是就试试这个方案。

将文档中需要摘录的部分截屏存为图片，准备使用Julia来进行OCR。这里需要Images包和Tesseract包（using Images和using Tesseract）。

因为是英文文档，所以使用 download_languages(“eng”) 来初始化Tesseract进行OCR的语言。此前曾出现过无法正常下载语言文件，导致Tesseract不能正常运行的情况。如果遇到这个问题，可以直接下载语言文件，并放置入Tesseract相应文件夹中即可。

操作其实比较简单，先是TessInst(“eng”)初始化一个基于英语的实例，再使用 pix_read() 读取打开的图片文件。然后用 tess_image() 将读取的图片文件信息导入实例，最后将实例作为参数，使用 tess_text() ，即可获得OCR的文字了。

可是，不知什么原因，无论是用VS Code还是Jupyter Lab，执行 tess_text() 时总是报错或假死机。根据VS Code提供的错误代码，到其主页查看，似乎是兼容性的什么问题。

后来，不使用IDE环境，直接启动Julia，将代码copy至Julia REPL中，可以正常运行并得到结果了。

在代码后段，使用文件操作函数——open()，write()和close()，将OCR结果保存至文件中以备后续使用。而且，为了方便及提高效率，使用Gtk包，反复打开需要OCR的图片文件，将多个结果保存在一个文件中；并在保存每个图片的OCR结果时，将图片文件名添加进去，进行对应，方便此后查询。

这样，不多时，一批文档的特定内容就全部读取完毕，只需核对OCR结果与原文档内容是否匹配，并汇总即可。