您可以使用Tesseract OCR引擎在Linux命令列上從影象中提取文字。它快速、準確，可以使用大約100種語言。下面是如何使用它。

光學字元識別

光學字元識別（OCR）是一種在影象中觀察和查詢單詞，然後將其提取為可編輯文字的能力。對於人類來說，這項簡單的任務對於計算機來說是非常困難的。至少可以說，早期的努力是笨拙的。如果字型或大小不符合OCR軟體的要求，計算機常常會感到困惑。

儘管如此，這一領域的先驅者仍然受到高度尊重。如果您丟失了文件的電子副本，但仍有列印版本，OCR可以重新建立可編輯的電子版本。即使結果不是100%準確，這仍然是一個偉大的節省時間。

手工整理一下，你就能把檔案拿回來了。人們原諒了它所犯的錯誤，因為他們理解OCR軟體包所面臨的任務的複雜性。另外，這比重新輸入整個文件要好。

從那以後情況有了很大改善。由Hewlett-Packard編寫的Tesseract OCR應用程式始於上世紀80年代，是一種商業應用程式。它在2005年是開源的，現在得到了谷歌的支援。它具有多語言功能，被認為是最準確的OCR系統之一，您可以****它。

安裝tesseract ocr

要在Ubuntu上安裝Tesseract OCR，請使用以下命令：

在Fedora上，命令是：

在Manjaro上，您需要鍵入：

使用tesseract ocr

我們將對Tesseract OCR提出一系列挑戰。我們的第一張包含文字的影象是從通用資料保護條例背誦63中提取的。讓我們看看OCR是否能讀到這個（保持清醒）。

這是一個棘手的影象，因為每個句子都以一個微弱的上標數字開頭，這在立法檔案中很典型。

我們需要給tesseract命令一些資訊，包括：

• 要處理的影象檔案的名稱。
• 它將建立用於儲存提取文字的文字檔案的名稱。我們不必提供副檔名（它總是.txt）。如果已存在同名檔案，則會覆蓋該檔案。
• 我們可以使用--dpi選項告訴tesseract影象的每英寸點數（dpi）解析度是多少。如果我們不提供dpi值，tesseract將嘗試找出它。

我們的影象檔名為“背誦63.png”，其解析度為150 dpi。我們要從中建立一個文字檔案，名為“朗誦.txt.”

我們的命令是這樣的：

結果很好。唯一的問題是上標太模糊，無**確閱讀。一個好的影象質量是至關重要的，以獲得良好的效果。

tesseract將上標數字解釋為引號（）和度數符號（°），但實際文字已被完美地提取（影象右側必須修剪以適應此處）。

最後一個字元是一個十六進位制值為0x0C的位元組，這是一個回車符。

下面是另一張圖片，文字大小不同，粗體和斜體都有。

此檔案的名稱為“粗體”-斜體.png“我們要建立一個名為”粗體.txt所以我們的命令是：

這一個沒有造成任何問題，文字被完美地提取出來。

使用不同的語言

Tesseract OCR支援大約100種語言。要使用一種語言，必須先安裝它。當您在列表中找到要使用的語言時，請注意其縮寫。我們將安裝對威爾士的支援。它的縮寫是“cym”，是“Cymru”的縮寫，意思是威爾士語。

安裝包名為“tesseract ocr-”，末尾標記了語言縮寫。要在Ubuntu中安裝威爾士語檔案，我們將使用：

下面是帶有文字的影象。這是威爾士國歌的第一節。

讓我們看看Tesseract OCR是否能勝任這個挑戰。我們將使用-l（語言）選項讓tesseract知道我們要使用的語言：

tesseract處理得非常完美，如下面提取的文字所示。天哪，特塞拉特OCR。

如果文件包含兩種或兩種以上的語言（例如從威爾士語到英語的詞典），可以使用加號（+）告訴tesseract新增另一種語言，如下所示：

在PDF中使用tesseract ocr

tesseract命令設計用於處理影象檔案，但它無法讀取PDF。但是，如果需要從PDF中提取文字，可以先使用另一個實用程式生成一組影象。單個影象將表示PDF的單個頁面。

您需要的pdftppm實用程式應該已經安裝在您的Linux計算機上。我們將使用的PDF作為示例，它是Alan Turing關於人工智慧的開創性論文“計算機器和智慧”的副本

我們使用-png選項指定要建立png檔案。我們的PDF檔名是“圖靈.pdf”我們將影象檔案稱為“turing-01.png”、“turing-02.png”等等：

要使用單個命令對每個影象檔案執行tesseract，我們需要使用for迴圈。對於我們的每一個“圖靈”-nn.png格式，檔案我們執行tesseract，並建立一個名為“text-”的文字檔案加上“turing nn”作為影象檔名的一部分：

要將所有文字檔案合併為一個文字檔案，我們可以使用cat：

那，怎麼辦？很好，你可以看到下面的。不過，第一頁看起來很有挑戰性。它有不同的文字樣式和大小，裝飾。頁面右邊緣還有一個垂直的“水印”。

但是，輸出接近原始值。顯然，格式已丟失，但文字是正確的。

垂直水印在頁面底部被轉錄成一行亂碼。文字太小，tesseract無法準確閱讀，但很容易找到並刪除它。最糟糕的結果是每行末尾都出現了錯誤的字元。

奇怪的是，在第二頁的問題和答案列表開始的單個字母被忽略了。PDF中的部分如下所示。

正如您在下面看到的，問題仍然存在，但是每行開頭的“Q”和“A”都丟失了。

圖表也不會被正確轉錄。讓我們看看當我們試圖從圖靈PDF中提取下面所示的內容時會發生什麼。

正如您在下面的結果中看到的，字元被讀取了，但是圖表的格式丟失了。

再次，tesseract與小尺寸的下標作鬥爭，它們被錯誤地呈現。

不過，公平地說，這仍然是一個好結果。我們無法提取直截了當的文字，但後來，故意選擇了這個示例，因為它提出了一個挑戰。

當你需要的時候，一個很好的解決方案

OCR不是你每天都需要使用的東西。然而，當需要的時候，很高興知道你有一個最好的OCR引擎在你的支配之下。