Tesseract-OCR对图像和PDF进行光学文字识别

最新推荐文章于 2025-05-23 16:13:18 发布
最新推荐文章于 2025-05-23 16:13:18 发布
阅读量2.2k 收藏 6
点赞数
CC 4.0 BY-SA版权
分类专栏： 操作系统 文章标签： 人工智能 计算机视觉 深度学习 lstm
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qlcheng2008/article/details/122471597
本文详述Tesseract-OCR的下载安装、参数设置，以及如何使用gImageReader图形界面在Ubuntu和Windows上进行PDF和图像的文字识别。Tesseract是开源的OCR引擎，支持多种语言和输出格式，而gImageReader是其便捷的GUI工具。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文主要介绍Tesseract-OCR光学文字识别应用程序的下载安装、运行参数，以及gImageReader图形界面，并Ubuntu和Windows环境下演示了使用图形界面对PDF和图像文件进行文字识别的效果。主要包括以下几个方面：

  1. Tesseract-OCR概述
  2. Tesseract的下载安装
  3. Tesseract的运行参数
  4. gImageReader的图形界面

本文使用的软件版本：

  1. Ubuntu 20.04（focal）
  2. Tesseract-ocr 4.00
  3. gImageReader 3.3.1

1 Tesseract-OCR概述

Tesseract是一个开源文本识别（OCR）引擎，最初在1985年至1994年间由惠普实验室开发，1996年进行了一些修改后将其移植到Windows系统，1998年进行了一些C++化。2005年，惠普对Tesseract进行了开源。从2006年到2018年11月由谷歌进行开发。

Tesseract在Apache2.0许可下免

最低0.47元/天 解锁文章

200万优质内容无限畅学
Python处理扫描的PDF文件：图像OCR处理+pytesseract安装+文字提取
Kiek17的博客
05-31 2391
利用OCR （Optical Character Recognition，光学字符识别）技术，把扫描的pdf变成文字版本
Tesseract-OCR如何识别pdf文件中的文本内容？
mid_python的博客
11-15 4126
需求：最近公司产品提出一个需求，要爬取某网站的数据列表中，进入某条数据的pdf文件中，提取出对应的关键字出来。 解决： 将pdf文件中每页图片保存下来。 pdf文件中的内容是个图片，不能直接转换成文字。 根据产品需求，指定提取相关内容，并保存。 总结：通过调研，可以使用python的pytesseract库来完成相关pdf的文字提取。pdf图片保存和文字内容匹配暂不介绍，主要介绍下pytesseract的使用。 01 python-tessera...
Tesseract OCR中文文本识别实操指南
最新发布
weixin_42522857的博客
05-23 1244
Tesseract OCR 是一个开源的光学字符识别引擎，由 Hewlett-Packard 开发，最初于 1985 年发布。随着时间的推移，它经历了多次更新，并在 1995 年开源。2006 年，Google 开始赞助其开发，使得 Tesseract 成为了一个活跃的项目，并扩展了对多种语言的支持。它的强大功能和活跃社区使其成为许多开源和商业项目的首选 OCR 引擎。
使用Tesseract-OCR对PDF等图片文件进行文字识别
如是所来的专栏
03-06 2918
在mac机器上java平台使用Tesseract-OCR对PDF等图片文件进行文字识别
使用spire.doc获取pdf中的图片，使用tesseract-ocr读取图片中的内容
蠢蠢欲动的猫
04-03 966
ocr 含义是Optical Character Recognition，含义即视觉字符识别。而tesseract是该领域特别优秀开源的作品。实现流程如下所示：关于tesseract的工作模式如上图所示。假设现在有一个图片输入，整个执行流程为：1:输入（一张图片）2:有用信息提取（比如一个图片上只有一个字，那其他留白的是无用，这个字上每个色素是有效的并且相关）3:找出文字/线条4:字符分类集5:输入与分类集对比找出最接近的6:输出识别结果。
pdf转换文本：基于python的tesseract
Zb_Xl的博客
12-22 1053
使用ocr技术将pdf转换为文本
Tesseract-OCR5.5.0图片识文字
02-13
用户可以使用Tesseract提供的API来进行图像的OCR处理，也可以通过命令行工具来实现简单的文字识别任务。此外，Tesseract还提供了易于使用的图形用户界面，方便用户无需编程背景也能使用其功能。 Tesseract的使用...
tesseract-ocr-w64-setup-v5.0.0.20190526(文字识别).exe
02-04
安装完成后，用户可以通过简单的配置和调用API接口，实现对各种格式图片中的文字进行识别。 随着人工智能和机器学习技术的发展，Tesseract也在不断地升级和更新，以提升识别精度和速度。虽然在面对复杂文本布局或者...
Tesseract-OCR-5.5.0.20241111 + tessdata全部语言包
03-06
Tesseract-OCR是一款开源的光学字符识别(OCR)引擎，其功能是将扫描得到的图像文件或者PDF文件中的文字信息转换为可编辑的文本格式。它由HP实验室于1985年开发，后来移交给了开源社区，由Google资助维护，目前是...
tesseract-ocr-w64-setup-v5.0.1.20220118.exe免费的哦
03-14
在Python爬虫场景中，Tesseract通常与其他库（如PIL或OpenCV）结合使用，对抓取的图像进行处理，然后进行OCR识别。例如，可以使用OpenCV库来裁剪图像，消除干扰元素，然后利用pytesseract进行识别。 至于"wordpress...
.NET PDF 转文字（Tesseract OCR + PdfiumViewer）
xy的博客
09-05 554
环境搭建 参考： Tesseract OCR : .NET Tesseract OCR - 掘金 (juejin.cn) PdfiumViewer : .NET 以PdfiumViewer方式PDF转为图片 - 掘金 (juejin.cn) 代码整合 创建OCRHelper.cs ``` using System; using System.IO; using System.Text....
Tesseract OCR教程代码示例合集附doc
10-19
应公司要求研究ocr网上教程比较少,这是我一周收集的 累死的 几乎包括现在网上的教程例子了,5分绝对不贵,还做了一份26页doc教程 其中有ocr2能识别英文的 ocr3能识别中文,不过中文语言包太大我没上传,要用的童鞋自己下吧,doc里面有链接,里面还有一个AspriseOCR 识别速度超快 不过不支持中文 很遗憾. 例子全是.net的. 压缩包内容 TesseractDotnetExample 已经训练好字体的项目 Tesseract3 用来识别中文 StartProject 启动项目 Images图片文件夹 GetCode识别验证码 还加入了算法 去噪等 DistinguishPhone 识别58同城电话号码 AspriseOCR 速度超快的ocr引擎 识别英文比较好 TesseractOCR Tutorials.dco 详细教程
文字识别Tesseract-OCR tessdata eng.traineddata OCR识别训练数据文件
05-30
1. 样本图片准备 2. 打开 jTessBoxEditor ，选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片 3 弹出保存对话框，还是选择在当前路径下保存，文件命名为ty.cp.exp6.tif 4. tesseract ty.cp.exp6.tif ty.cp.exp6 -l ty batch.nochop makebox 5. 打开 jTessBoxEditor ，点击 Box Editor -> Open ，打开步骤2中生成的ty.cp.exp6.tif ，会自动关联到 “ty.cp.exp6.box” 文件： 6. 使用echo命令创建字体特征文件 echo cp 0 0 0 0 0>font_properties. 输入内容 “cp 0 0 0 0 0” 7. 使用 tesseract 生成 ty.cp.exp6.tr 训练文件 在终端中执行以下命名： tesseract ty.cp.exp6.tif ty.cp.exp6 nobatch box.train 8. 生成字符集文件 在终端中执行以下命令： unicharset_extractor ty.cp.exp6.box 9. mftraining -F font_properties -U unicharset -O ty.unicharset ty.cp.exp6.tr 与 cntraining ty.cp.exp6.tr 生成之后手工修改 Clustering 过程生成的 4 个文件（inttemp、pffmtable、normproto、shapetable）的名称为 [lang].xxx。这里改为 ty.inttemp、ty.pffmtable、ty.normproto、ty.shapetable。 10. 合并数据文件 在终端中执行以下命令： combine_tessdata ty. tesseract b01.jpg result -l ty --psm 7
gImageReader：tesseract-ocr的GtkQt前端
02-05
gImageReader gImageReader是的简单Gtk / Qt前端。 特征： 从磁盘，扫描设备，剪贴板和屏幕截图导入PDF文档和图像 一次处理多个图像和文档 手动或自动识别区域定义 识别纯文本或hOCR文档 可识别的文字直接显示在图片旁边 对已识别的文本进行后处理，包括拼写检查 从hOCR文档生成PDF文档 安装： 来源：从下载 Windows ：从下载 Fedora ：可从 Debian ：可从 Ubuntu ：可从 OpenSUSE ：可从 ArchLinux ：可从 汇编： 中记录了从源代码编译gImageReader的步骤。 支持： 如果遇到问题，请在提交票证，或
ocrpdf:内存中带有Tesseract的OCR PDF（带有Python绑定）
05-18
ocrpdf 使用Tesseract（和Python）对PDF文件执行OCR。 该项目的目标是能够读取PDF文件并对其进行OCR。 在此任务中，我们需要提取PDF的已知区域并进行解析，以查看其中是否包含某些已知文本。 其他替代方法效率不高，因为它们最终会写出文件并回读。 我们最终使用muPDF读取了文档，切出必要的数据块，将其转换为Leptonica可读的图像，然后将其发送给Tessearact。 安装 阅读build.sh，将其修改为所需的语言或环境，然后运行。 我们正在从源代码构建muPDF，以将其链接到Python绑定。 当前包含的build.sh是针对Debian风格Linux（apt）设置的。 随意摆弄C可执行文件，进行编译，并使用类似于以下内容的东西： gcc -g -o build/release/example -Iinclude ../conv.c build
tesseract-ocr以及中文包
08-27
资源是python识别 图片中文字内容需要的 tesseract-ocr的安装包以及识别中文的语言包，需要同学拿走
PDF处理、Tesseract-OCR的介绍
yanqianglifei的专栏
12-09 3314
相关文章 OCR识别-python版（一） 基于Python实现对PDF文件的OCR识别 使用Google开源tesseract OCR用语言库报allow_blob_division解决方案 Tesseract-OCR识别中文与训练字库实例 Tesseract训练中文字体识别 下载连接 Index of /tesseract tesseract-o...
使用PyMuPDF、Pillow和pytesseract实现PDF文件中文OCR识别
专注于医院数据分析技术与系统开发的创作与分享。
06-14 684
使用PyMuPDF（也称为fitz）、Pillow和pytesseract实现PDF文件中文OCR识别
利用pytesseract进行图片文字识别
joker_zsl的博客
02-18 2816
pytesseract是基于Python的OCR工具， 底层使用的是Google的Tesseract-OCR 引擎，支持识别图片中的文字，支持jpeg, png, gif, bmp, tiff等图片格式。 安装 pip install pytesseract 使用 这里只简单介绍识别图中文字并输出字符串，有兴趣的同学可以自行探索更多的方法。 from PIL import Image from pytesseract import * img = Image.open('test.png
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值