小技巧：如何在Linux上从图像和PDF中提取文本，


gImageReader是Tesseract开源OCR引擎的前端。Tesseract最初是由HP开发的，然后于2006年开源。

基本上，OCR（Optical Character Recognition光学字符识别）引擎使您可以扫描图片或文件（PDF）中的文本。默认情况下，它可以检测多种语言，并且还支持通过Unicode字符进行扫描。

但是，Tesseract本身就是没有任何GUI的命令行工具。因此，在这里，gImageReader可以帮助任何用户利用它来从图像和文件中提取文本。

让我重点介绍一些有关它的内容，同时提及我在测试期间的使用经验。

gImageReader：Tesseract OCR的跨平台前端

为了简化工作，gImageReader可以方便地从PDF文件或包含任何类型文本的图像中提取文本。

无论是拼写检查还是翻译都需要它，它对于特定的用户组应该很有用。

gImageReader功能介绍:

  •  从磁盘，扫描设备，剪贴板和屏幕截图添加PDF文档和图像
  •  旋转图像的能力
  •  通用图像控件可调节亮度，对比度和分辨率
  •  直接通过应用程序扫描图像
  •  能够一次处理多个图像或文件
  •  手动或自动识别区域定义
  •  识别纯文本或hOCR文档
  •  编辑器显示识别的文本
  •  可以拼写检查提取的文本
  •  从hOCR文档转换/导出为PDF文档
  •  将提取的文本导出为.txt文件
  •  跨平台（Windows）

在Linux上安装gImageReader

注意：您需要显式安装Tesseract语言包以从软件管理器中的图像/文件中进行检测。

您可以在某些Linux发行版（例如Fedora和Debian）的默认存储库中找到gImageReader。

对于Ubuntu，您需要添加一个PPA，然后再安装它。为此，您需要在终端中输入以下内容：

  1. linuxmi@linuxmi:~/www.linuxmi.com$ sudo add-apt-repository ppa:sandromani/gimagereader  
  2. linuxmi@linuxmi:~/www.linuxmi.com$ sudo apt update 
  3. linuxmi@linuxmi:~/www.linuxmi.com$ sudo apt install gimagereader tesseract-ocr tesseract-ocr-eng tesseract-ocr-chi-sim tesseract-ocr-chi-tra -y  
  4. linuxmi@linuxmi:~/www.linuxmi.com$ sudo apt install tesseract-ocr-chi-sim-vert tesseract-ocr-chi-tra-vert -y 

您还可以从其构建服务中为openSUSE找到它，AUR将成为Arch Linux用户的地方。

到存储库和软件包的所有链接都可以在其GitHub页面中找到。

使用gImageReader的经验

gImageReader是一个非常有用的工具，可以在需要时从图像中提取文本。当您尝试使用PDF文件时，它的效果很好。

为了从智能手机拍摄的照片中提取图像，检测很接近，但是有点不准确。也许当您扫描某些内容时，从文件中识别字符可能会更好。

因此，您必须自己尝试一下，看看它在您的用例中的效果如何。我在Ubuntu 20.04.2 LTS上进行了尝试。

操作步骤

打开 gImageReader

添加pdf

识别语言选择 多种语言 ==> 简体字[chi_sim]+ English[eng]

复制或保存识别文本

操作结果参照下图：

我只是在管理设置中的语言时遇到了一个问题，但没有得到快速的解决方案。如果遇到此问题，则可能需要对其进行故障排除，并进一步了解如何解决该问题。

除此之外，它工作得很好。

永久链接：https://www.linuxmi.com/linux-ocr-gimagereader-pdf.html

相关内容