python - tesseractnotfounderror - tesseract ocr

Python OCR Module en Linux?

Question

Quiero encontrar un módulo de Python de OCR fácil de usar en Linux, he encontrado pytesser http://code.google.com/p/pytesser/ , pero contiene un archivo ejecutable .exe.

Intenté cambiar el código para usar el vino, y realmente funciona, pero es demasiado lento y no es una buena idea.

¿Hay alguna alternativa de Linux que sea tan fácil de usar como él?

Answer 1

Además de la respuesta de Blender, que solo ejecuta el ejecutable de Tesseract, me gustaría agregar que existen otras alternativas para OCR que también se pueden llamar como un proceso externo.

Utilidad OCR de línea de comando ABBYY: http://ocr4linux.com/en:start

No es gratis, por lo que vale la pena considerar solo si la precisión de Tesseract no es lo suficientemente buena para su tarea, si necesita un análisis de diseño más sofisticado o si necesita exportar archivos PDF, Word y otros.

Actualización: aquí está la comparación de ABBYY y la precisión de tesseract: http://www.splitbrain.org/blog/2010-06/15-linux_ocr_software_comparison

Descargo de responsabilidad: trabajo para ABBYY

Answer 2

Debe probar las excelentes bibliotecas scikits.learn para el aprendizaje automático. Puede encontrar dos códigos que están listos para ejecutarse here y here .

Answer 3

Python Tesseract

http://code.google.com/p/python-tesseract

import cv2.cv as cv
import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

image=cv.LoadImage("eurotext.jpg", cv.CV_LOAD_IMAGE_GRAYSCALE)
tesseract.SetCvImage(image,api)
text=api.GetUTF8Text()
conf=api.MeanTextConf()

Answer 4

Tienes un montón de opciones aquí.

Una forma, como otros señalaron es usar tesseract. Parece que ya hay un montón de envoltorios, así que la mejor manera es hacer una búsqueda rápida de pypi . Los más utilizados en estos días son:

• pytesseract
• pytesser
• tesserwrap
• pyocr

Otro sitio útil para encontrar motores similares es alternative.to . Algunos sistemas basados ​​en Linux según ellos son:

• Abby
• Tesseract
• Cuneiforme
• Ocropus
• GOCR

Answer 5

Simplemente puedes envolver tesseract en una función:

import os
import tempfile
import subprocess

def ocr(path):
    temp = tempfile.NamedTemporaryFile(delete=False)

    process = subprocess.Popen([''tesseract'', path, temp.name], stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
    process.communicate()

    with open(temp.name + ''.txt'', ''r'') as handle:
        contents = handle.read()

    os.remove(temp.name + ''.txt'')
    os.remove(temp.name)

    return contents

Si desea segmentación de documentos y funciones más avanzadas, pruebe OCRopus .