Tesseract jako OCR

Dlaczego Tesseract?

Posiadam licencję na Adobe Acrobat, ale to rozwiązanie ma wiele wad:

• jest to stara wersja, nie wiadomo co się stanie przy nowym kompie
• użycie pełnego programu blokuje przeglądarkę PDF nawet na wiele godzin
• rozpoznawanie tekstu w porównaniu z Tesseract jest na bardzo podobnym poziomie, Adobe mimo wieku ma przewagę, ale nie jest ona znacząca
• Tesseract jest wolniejszy, ale przy headless i przewidywanym obciążeniu nie ma to większego znaczenia

Wymagania programowe

• Tesseract (4.1.1): z dystrybucji Cygwin

• Tesseract pol: https://github.com/tesseract-ocr/tessdata/blob/master/pol.traineddata

  Plik danych do języka polskiego.

  Plik umieszczony w /usr/share/tessdata (razem z innymi plikami językowymi).

• Ghostscript (9.50): https://www.ghostscript.com/download/gsdnld.html (AGPL v. 3)

  Konieczny do konwersji plików PDF na pliki graficzne czytane przez Tesseract.

• pdftk (2.02): https://www.pdflabs.com/tools/pdftk-the-pdf-toolkit/

  Program do manipulacji plików PDF, konieczny by zredukować rozmiar pliku wyjściowego jeśli wejściowym jest PDF, inaczej pliki puchną co najmniej 8-krotnie. Program nie rozwijany od 2013, mogą być problemy na nowszych dystrybucjach Linuksa, na Windows działa bez problemu.

Polecenia podstawowe

Z PDF do obrazka

Konwersja PDF do TIF lub JPG:

gswin64c -q -dQUIET -dSAFER -dBATCH -dNOPROMPT -dNOPAUSE -sDEVICE=tifflzw -r360 -sOutputFile="in%d.tif" in.pdf

gswin64c -q -dQUIET -dSAFER -dBATCH -dNOPROMPT -dNOPAUSE -sDEVICE=jpeg -r360 -sOutputFile="in%d.jpg" in.pdf

• seria opcji -d dla zminimalizowania interakcji.
• -sDEVICE - format wyjściowy.
• -r - rozdzielczość pliku, taka wysoka powinna nas zabezpieczyć przed niespodziankami
• -sOutputFile - nazwa pliku tymczasowego dla Tesseract, %d to kolejne numery (MM: co z > 10)?
• na końcu plik wejściowy

OCR

OCR pliku:

tesseract in.jpg out_no_ext --oem 1 -l pol pdf

• plik wejściowy
• nazwa pliku wyjściowego bez rozszerzenia
• --oem 1 - metoda OCR, najskuteczniejsza wg testów
• -l pol - język do OCR, dodawania innych np. przez pol+eng zmniejsza skuteczność rozpoznania, jakiś mechanizm zmiany/rozpoznawania języka?
• pdf format wyjściowy

Polecenie uruchamiane w pętli by przerobić wszystkie strony.

Z powrotem do PDF

gswin64c -q -dQUIET -dSAFER -dBATCH -dNOPROMPT -dNOPAUSE -sDEVICE=pdfwrite -r96 -sOutputFile="out-im.pdf" in?.pdf

Znaczące zmiany w porównaniu z pierwszym poleceniem to inne DEVICE - pdfwrite oraz ostateczna rozdzielczość 96dpi.

Jeśli plikiem wejściowym był PDF to jako plik pomocniczy tworzy się bardzo zubożony plik PDF o minimalnej wielkości (m.in. obrazki cz-b w 1dpi), ale z zachowanym OCR.

pdftk

pdftk in.pdf background back.pdf output out.pdf

Wstawia zubożoną stronę z OCR jako tło wizerunku oryginalnego. W ten sposób mamy:

• mały plik PDF (ghostcript na podstawie JPG tworzy pliki nawet 8 razy większe niż oryginały, dzięki temu pliki są tylko 20% większe)
• OCR