利用R语言实现OCR的笔记

一、OCR能干什么

OCR（Optical Character Recognition）能够实现对文本资料的图像文件进行分析识别处理，获取文字及版面信息，这意味着面对大篇幅显示为.jpg、.png等图片的文字信息，我们不需要手动录入就可以实现将图片转化为文本

前段时间笔者看到复旦大学有位博士利用OCR将核酸检测图片的信息转化为文本并进行整理。笔者最近恰好在学习R语言，想到R语言对于表格类的信息处理起来具有天然的优势，于是决定尝试用R语言实现这一过程。

经过笔者在CSDN、腾讯云和哔站等社区的学习，目前可以实现部分该功能，遂做记录，后续会逐步完善

二、R环境下实现OCR的功能的包

鉴于R环境下存在各种R包对R的工作环境进行不断的扩充，笔者觉得应该存在一个R包能够实现OCR功能。经过查找，这个包也确实存在。

tesseract包即可实现OCR功能

事实上，tesseract本身就是一个支持多种操作系统的OCR引擎。tesseract的最大优点是它是一个开源软件。在2006年tesseract被认为是最精准的开源光学字符识别引擎之一。（上述资料来源于维基百科）

在这篇blog中，笔者将实现在R环境下OCR中文图片输出文本文件并简单测试tesseract包进行OCR的性能

三、R环境下实现OCR

1.R包准备

#初始化
rm(list = ls()) 
options(stringsAsFactors = F)

#R包加载
library(magick) #图片切割
library(tesseract)#ocr文字识别
library(stringr)#字符串处理
library(httr)#处理http信息

本次用到的R包如果没有安装都可以通过install.packages()安装成功