python网络数据采集-处理格式规范的文字

      你要处理的大多数文字都是比较干净的、格式规范的。格式规范的文字通常可以满足一些需求，不过究竟什么是“格式混乱”，什么算“格式规范”，确实因人而异。

      通常，格式规范的文字具有以下特点：

• 使用一个标准字体（不包含手写体、草书，或者十分“花哨的”字体）
• 虽然被复印或拍照，字体还是很清晰，没有多余的痕迹或污点
• 排列整齐，没有歪歪斜斜的字
• 没有超出图片范围，也没有残缺不全，或紧紧贴在图片的边缘

     文字的一些格式问题在图片预处理时可以进行解决。例如，可以把图片转换成灰度图，调整亮度和对比度，还可以更具需要进行裁剪和旋转。但是，这些做法在进行更具扩展性的训练时会遇到一些限制。

    下图是一张带有英文文字的图片

     运行下面的命令来调用Tesseract，读取文件并把结果写到一个文本文件中：

$tesseract text.tiff textoutput | cat textoutput.txt