Как получить вывод Hocr с помощью python-tesseract

Я получил действительно хорошие результаты, используя pytesseract, но он не в состоянии сохранить двойные пробелы, и они действительно важны для меня. И поэтому я решил получить вывод hocr, а не чистый текст. Но, похоже, нет никакого способа указать файл конфигурации с помощью pytessearct.

Итак, можно ли указать файл конфигурации с помощью pytesseract или есть какой-то файл конфигурации по умолчанию, который я могу изменить, чтобы получить вывод hocr?

#run method from pytessearct.py
def run_tesseract(input_filename, output_filename_base, lang=None, boxes=False, config=None):
    '''
    runs the command:
        `tesseract_cmd` `input_filename` `output_filename_base`

    returns the exit status of tesseract, as well as tesseract's stderr output

    '''
    command = [tesseract_cmd, input_filename, output_filename_base]

    if lang is not None:
        command += ['-l', lang]

    if boxes:
        command += ['batch.nochop', 'makebox']

    if config:
        command += shlex.split(config)
    #command+=['C:\\Program Files (x86)\\Tesseract-OCR\\tessdata\\configs\\hocr']
    #print "command:",command
    proc = subprocess.Popen(command,
            stderr=subprocess.PIPE)
    return (proc.wait(), proc.stderr.read())
Источник

4 ответа

Вы можете использовать эту другую библиотеку для использования Tesseract в Python: pyslibtesseract

Образ:

Код:

import pyslibtesseract

tesseract_config = pyslibtesseract.TesseractConfig(psm=pyslibtesseract.PageSegMode.PSM_SINGLE_LINE, hocr=True)
print(pyslibtesseract.LibTesseract.simple_read(tesseract_config, 'phrase0.png'))

Выход:

  <div class='ocr_page' id='page_1' title='image ""; bbox 0 0 319 33; ppageno 0'>
   <div class='ocr_carea' id='block_1_1' title="bbox 0 0 319 33">
    <p class='ocr_par' dir='ltr' id='par_1_1' title="bbox 10 13 276 25">
     <span class='ocr_line' id='line_1_1' title="bbox 10 13 276 25; baseline 0 0"><span class='ocrx_word' id='word_1_1' title='bbox 10 14 41 25; x_wconf 75' lang='eng' dir='ltr'><strong>the</strong></span> <span class='ocrx_word' id='word_1_2' title='bbox 53 13 97 25; x_wconf 84' lang='eng' dir='ltr'><strong>book</strong></span> <span class='ocrx_word' id='word_1_3' title='bbox 111 13 129 25; x_wconf 79' lang='eng' dir='ltr'><strong>is</strong></span> <span class='ocrx_word' id='word_1_4' title='bbox 143 17 164 25; x_wconf 83' lang='eng' dir='ltr'>on</span> <span class='ocrx_word' id='word_1_5' title='bbox 178 14 209 25; x_wconf 75' lang='eng' dir='ltr'><strong>the</strong></span> <span class='ocrx_word' id='word_1_6' title='bbox 223 14 276 25; x_wconf 76' lang='eng' dir='ltr'><strong>table</strong></span> 
     </span>
    </p>
   </div>
  </div>
Источник

Это сработало для меня:)

from pytesseract import pytesseract
pytesseract.run_tesseract('image.png', 'output', lang=None, boxes=False, config="hocr")

где: image.png это файл изображения помимо этого файла Python. Выходной файл с именем output.hocr будет создан рядом с этими файлами. Откройте этот файл в текстовом редакторе, чтобы увидеть вывод hocr.

Источник

Я отредактировал ответ Крозаина:

      import pytesseract

pytesseract.run_and_get_output('image.jpg', 'hocr', lang=None, config="hocr")
Источник

Просто добавьте hocr в конце вашей команды, как это

tesseract input_filename output_filename_base hocr


Выходной файл будет HTML-файл

Источник
Другие вопросы по тегам