Tesseract OCR使用说明

1安装

1. 添加源

sudo vi /etc/apt/sources.list
添加deb http://archive.ubuntu.com/ubuntu bionic universe
其中bionic和自己安装的系统有关，根据实际情况进行改变；

2. 安装

sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

3. 安装语言
   tesseract一共有130种语言，35种脚本，语言包为tesseract-ocr-langcode和tesseract-ocr-script-scriptcode,其中langcode为3个字符，scriptcode为4个字符；
   例如tesseract-ocr-eng (English), tesseract-ocr-ara (Arabic), tesseract-ocr-chi-sim (Simplified Chinese), tesseract-ocr-script-latn (Latin Script), tesseract-ocr-script-deva (Devanagari script)
   其中ubuntu18.04的安装包链接为：https://packages.ubuntu.com/bionic/tesseract-ocr-all

2使用

命令格式

tesseract FILE OUTPUTBASE [OPTIONS]...[CONFIGFILE]...

参数说明

参数	说明
FILE	可以为图片也可以为文本。当为文本时，一行文本表示一张图片。
OUTPUTBASE	输出
OPTINONS	见下表
CONFIGFILE	见下表

OPTIONS	说明
-c
–dpi N	指定dpi，默认N为300,如果图片不包括内容，Tesseract将会去猜测；
-l LANG -l SCRIPT	指定语言，默认为英语，可以指定多种语言，使用+连接
–psm N	设定图片中文字的格式.
–oem N	指定使用tesseract还是LSTM
–tessdata-dir PATH	指定tessdata的路径
–user-patterns FILE	指定用于patterns文件位置？
–user-words FILE	指定用户words 文件位置？

CONFIGFILE

CONFIGFILE	说明
alto	输出格式为OUTPUTBASE.alto
hocr	输出格式为OUTPUTBASE.hocr
pdf	输出格式为OUTPUTBASE.pdf
tsv	输出格式为OUTPUTBASE.tsv
txt	输出格式为OUTPUTBASE.txt
get.images	将输入的图片写入文件
logfile	debug信息
lstm.train
makebox	输出bounding-box
quiet	将debug信息输出到/dev/null

其他选项

选项	说明
-h	帮助
–help-extra	高级用法帮助
–help-psm	页分割模式帮助
–help-oem	engine模式帮助
–list-langs	可用的语言
–print-parameters	打印参数

参考链接https://github.com/tesseract-ocr/tesseract/wiki