扫描件或截图里的字要先抽出来。想按 Tesseract 官方手册把程序装上,并做第一次识别。这不是改尺寸或批量加工图像的问题。站内这篇 一批图片要统一缩放,ImageMagick 官方怎么写出第一条命令? 处理的是怎么改图。下文只谈把字认出来。
手册入口是 Tesseract User Manual,开篇写这份说明面向 Tesseract 5.x。更早的 4.x.x、3.05.02 及更旧的版本,页上另外指向旧版文档,这里只看 5.x 这一份。它把自己写成一套开源的文字识别(OCR)引擎,授权是 Apache 2.0,可以在命令行直接调用,编程时也可以走 API,从图像中抽出印刷体,并支持多种语言。第 5 代被标成目前的稳定系列,起始发布是 2021 年 11 月 30 日的 5.0.0。更新的次版本和修复版可以从 GitHub 获取,最新源码在仓库的 main 分支。手册还写到,Tesseract 4.0 起加入了基于 LSTM 神经网络的识别引擎,在 x86/Linux 上配合官方语言模型,可用语种多于 100,脚本数目则在 35 以上。5.x 继续使用与 4.0.0 相同的那些 language model traineddata。它没有内置图形界面,若需要窗口程序,得另找第三方,那些外围项目这里不展开。
安装和第一次运行的说明,在手册链出去的 Installation.html。打开后,浏览器标签里的标题仍是 Introduction。正文在一段简介之后,接着才出现 Installation、Running Tesseract 这些章节,所以它仍是装软件和初次识别要用的那一章。引用时按页上这个 Introduction 名称来叫即可。
Installation 这一节写明,要装的是两块:引擎本身,以及各语言的 traineddata。不少 Linux 发行版的仓库里直接就有,包名一般是 tesseract 或 tesseract-ocr。语言数据包的命名是 tesseract-ocr-langcode。脚本包则写成 tesseract-ocr-script-scriptcode。langcode 是三字母。scriptcode 则是四字母。页上的例子包括 tesseract-ocr-eng(English)、tesseract-ocr-ara(Arabic)、tesseract-ocr-chi-sim(Simplified Chinese),以及 tesseract-ocr-script-latn、tesseract-ocr-script-deva。Ubuntu 上给出的命令是:
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev
若 apt 找不到包,页上提醒检查 sources.list 里有没有包含 universe。同一节还列出了 Debian、Fedora、openSUSE、macOS 的 MacPorts 与 Homebrew,以及 Windows 安装包入口。那些下载链接这里不另写,按你所用的系统回到这一节对照即可。macOS 上,官方分别给了 MacPorts 的 sudo port install tesseract,以及 Homebrew 的 brew install tesseract。语言包在 MacPorts 里是 sudo port install tesseract-<langcode>。Windows 一节写,3.05、4 和 5 的安装程序可从 Tesseract at UB Mannheim 获取,带训练工具,并同时提供 32 位和 64 位。若要在任意位置调用可执行文件,也许还要把二进制所在目录加入 Path,页上举的例子是 C:\Program Files\Tesseract-OCR。发行版自带的语言包通常够第一次使用。只有在试验 OCR Engine modes、又需要软件源里没有的训练数据时,文档才让你从 GitHub 取出 .traineddata,解包后拷进 tessdata 目录,可能的路径包括 /usr/share/tesseract-ocr/tessdata、/usr/share/tessdata 或 /usr/share/tesseract-ocr/4.00/tessdata。这一段被标成 “FOR EXPERTS ONLY.”,入门可以先不管它。
装好后,同一页的 Running Tesseract 把程序写成命令行工具,所以要先打开终端。在 Windows 上则是 Command Prompt。基本形式是:
tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
文档给的第一次演示,是对名为 myscan.png 的图像做识别,并把结果存成 out.txt:
tesseract myscan.png out
注意第二个参数是基名 out,默认成品就是 out.txt。若要换语言包,加上 -l,例如德语写成 tesseract myscan.png out -l deu。也可以一次组合多种 traineddata,英语和德语一起用则写成 -l eng+deu。页上还提到 hOCR 模式(会写出带词语坐标的特殊 HTML,供后续据此还原版面),以及在 3.03 及以上版本里直接出可检索 PDF:tesseract myscan.png out pdf。第一次把字抽出来,前面这条只带输入和基名的命令就够了。更细的开关,页上指向 Tesseract 的手册页。同一页后部的 Other Languages 还写到,它已经为许多语言准备过模型,也可再针对新的文字系统做训练。细节指向 TrainingTesseract,那些步骤超出第一次识别,这里不展开。
对一张扫描件跑完 tesseract myscan.png out 之后,out.txt 里的字对得上原图吗?