您可以使用Tesseract OCR引擎在Linux命令行上从图像中提取文本。它快速、准确，可以使用大约100种语言。下面是如何使用它。

光学字符识别

光学字符识别（OCR）是一种在图像中观察和查找单词，然后将其提取为可编辑文本的能力。对于人类来说，这项简单的任务对于计算机来说是非常困难的。至少可以说，早期的努力是笨拙的。如果字体或大小不符合OCR软件的要求，计算机常常会感到困惑。

尽管如此，这一领域的先驱者仍然受到高度尊重。如果您丢失了文档的电子副本，但仍有打印版本，OCR可以重新创建可编辑的电子版本。即使结果不是100%准确，这仍然是一个伟大的节省时间。

手工整理一下，你就能把文件拿回来了。人们原谅了它所犯的错误，因为他们理解OCR软件包所面临的任务的复杂性。另外，这比重新输入整个文档要好。

从那以后情况有了很大改善。由Hewlett-Packard编写的Tesseract OCR应用程序始于上世纪80年代，是一种商业应用程序。它在2005年是开源的，现在得到了谷歌的支持。它具有多语言功能，被认为是最准确的OCR系统之一，您可以****它。

安装tesseract ocr

要在Ubuntu上安装Tesseract OCR，请使用以下命令：

在Fedora上，命令是：

在Manjaro上，您需要键入：

使用tesseract ocr

我们将对Tesseract OCR提出一系列挑战。我们的第一张包含文本的图像是从通用数据保护条例背诵63中提取的。让我们看看OCR是否能读到这个（保持清醒）。

这是一个棘手的图像，因为每个句子都以一个微弱的上标数字开头，这在立法文件中很典型。

我们需要给tesseract命令一些信息，包括：

• 要处理的图像文件的名称。
• 它将创建用于保存提取文本的文本文件的名称。我们不必提供文件扩展名（它总是.txt）。如果已存在同名文件，则会覆盖该文件。
• 我们可以使用--dpi选项告诉tesseract图像的每英寸点数（dpi）分辨率是多少。如果我们不提供dpi值，tesseract将尝试找出它。

我们的图像文件名为“背诵63.png”，其分辨率为150 dpi。我们要从中创建一个文本文件，名为“朗诵.txt.”

我们的命令是这样的：

结果很好。唯一的问题是上标太模糊，无**确阅读。一个好的图像质量是至关重要的，以获得良好的效果。

tesseract将上标数字解释为引号（）和度数符号（°），但实际文本已被完美地提取（图像右侧必须修剪以适应此处）。

最后一个字符是一个十六进制值为0x0C的字节，这是一个回车符。

下面是另一张图片，文字大小不同，粗体和斜体都有。

此文件的名称为“粗体”-斜体.png“我们要创建一个名为”粗体.txt所以我们的命令是：

这一个没有造成任何问题，文本被完美地提取出来。

使用不同的语言

Tesseract OCR支持大约100种语言。要使用一种语言，必须先安装它。当您在列表中找到要使用的语言时，请注意其缩写。我们将安装对威尔士的支持。它的缩写是“cym”，是“Cymru”的缩写，意思是威尔士语。

安装包名为“tesseract ocr-”，末尾标记了语言缩写。要在Ubuntu中安装威尔士语文件，我们将使用：

下面是带有文本的图像。这是威尔士国歌的第一节。

让我们看看Tesseract OCR是否能胜任这个挑战。我们将使用-l（语言）选项让tesseract知道我们要使用的语言：

tesseract处理得非常完美，如下面提取的文本所示。天哪，特塞拉特OCR。

如果文档包含两种或两种以上的语言（例如从威尔士语到英语的词典），可以使用加号（+）告诉tesseract添加另一种语言，如下所示：

在PDF中使用tesseract ocr

tesseract命令设计用于处理图像文件，但它无法读取PDF。但是，如果需要从PDF中提取文本，可以先使用另一个实用程序生成一组图像。单个图像将表示PDF的单个页面。

您需要的pdftppm实用程序应该已经安装在您的Linux计算机上。我们将使用的PDF作为示例，它是Alan Turing关于人工智能的开创性论文“计算机器和智能”的副本

我们使用-png选项指定要创建png文件。我们的PDF文件名是“图灵.pdf”我们将图像文件称为“turing-01.png”、“turing-02.png”等等：

要使用单个命令对每个图像文件运行tesseract，我们需要使用for循环。对于我们的每一个“图灵”-nn.png格式，文件我们运行tesseract，并创建一个名为“text-”的文本文件加上“turing nn”作为图像文件名的一部分：

要将所有文本文件合并为一个文本文件，我们可以使用cat：

那，怎么办？很好，你可以看到下面的。不过，第一页看起来很有挑战性。它有不同的文字样式和大小，装饰。页面右边缘还有一个垂直的“水印”。

但是，输出接近原始值。显然，格式已丢失，但文本是正确的。

垂直水印在页面底部被转录成一行乱码。文本太小，tesseract无法准确阅读，但很容易找到并删除它。最糟糕的结果是每行末尾都出现了错误的字符。

奇怪的是，在第二页的问题和答案列表开始的单个字母被忽略了。PDF中的部分如下所示。

正如您在下面看到的，问题仍然存在，但是每行开头的“Q”和“A”都丢失了。

图表也不会被正确转录。让我们看看当我们试图从图灵PDF中提取下面所示的内容时会发生什么。

正如您在下面的结果中看到的，字符被读取了，但是图表的格式丢失了。

再次，tesseract与小尺寸的下标作斗争，它们被错误地呈现。

不过，公平地说，这仍然是一个好结果。我们无法提取直截了当的文本，但后来，故意选择了这个示例，因为它提出了一个挑战。

当你需要的时候，一个很好的解决方案

OCR不是你每天都需要使用的东西。然而，当需要的时候，很高兴知道你有一个最好的OCR引擎在你的支配之下。