Ubuntu下的ocr文字识别(pdf、tif等)

平时使用扫描件或者pdf查看文档,但是在ipad上当文字比较小的时候不能有效放大,过着每次阅读需要移动屏幕,十分不方便,为此想将pdf或者图片中的文字截取出来,可以有效处理,当然需要ocr技术了,现在我们就来考虑和解决这个问题。

1、技术准备:

os为 linux mint 13(基于Ubuntu 12.04的)

ocr软件:tesseract,执行文件为tesseract

gocr

pdf处理软件:pdftoxxx,比如pdftotext等

tiff处理如案件:比如tiff2pdf等等

2、安装软件

sudo apt-get install gocr

sudo apt-get install tesseract-ocr

sudo apt-get install libtiff-tools

对于tesseract需要设置语言包,可以在观望上下载具体中文语言包,比如简体的就是chi_sim,然后加入到一个环境变量中

mv chi_sim.traineddata /usr/local/share/tessdata 

export TESSDATA_PREFIX=/usr/local/share/ 

3、tif文件转文字 tif-->text

直接使用tesseract即可,如下:

tesseract a.tif a.txt -l chi_sim

以上支持多页单文件tif

4、pdf文件转文字 pdf-->text

如果pdf本来就是文字格式的,那么很简单,直接转换即可

pdftotext a.pdf a.txt

如果pdf内部内容是图片,则无法通过以上方法去的内容,首相将pdf转换成为ppm,然后从ppm装换为文字:pdf-->多个ppm-->多个txt

pdf2ppm a.pdf a

产生a1.ppm,a2.ppm.....

然后通过tesseract转换

tesseract a1.tif a1.txt -l chi_sim

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/20935.html