ocrodjvu - Online na nuvem

PROGRAMA:

NOME

ocrodjvu - OCR para arquivos DjVu

SINOPSE

ocrodjvu {-o | --save-pacote} arquivo de saída djvu [opção...] arquivo djvu

ocrodjvu {-i | --save-indireto} arquivo index-djvu [opção...] arquivo djvu

ocrodjvu --save-script Arquivo de script [opção...] arquivo djvu

ocrodjvu --no lugar [opção...] arquivo djvu

ocrodjvu --funcionamento a seco [opção...] arquivo djvu

ocrodjvu {--versão | --Socorro | -h | --list-motores | --list-idiomas}

DESCRIÇÃO

ocrodjvu é um wrapper para sistemas OCR que permite realizar OCR em arquivos DjVu.

Os seguintes motores de OCR são suportados:

· OCRopus[1] (internamente, chamadas de ocrodjvu acrônimo's reconhecer (ou recesso) comando,
para que, em última análise, o Tesseract atue como backend de OCR);

· Cuneiforme for Linux[2].

· Ócrad[3].

· GOCR[4].

· Estar sozinho Tesseract[5].

OPÇÕES

OCR motor opções
-e, --engine =identificação do motor
Use este mecanismo de OCR.

O padrão é “tesseract”. (O padrão era “ocropus” antes de ocrodjvu 0.8.)

--list-motores
Imprima a lista de mecanismos de OCR disponíveis.

Opções controle saída
-o, --save-bundled =arquivo de saída djvu
Salve os resultados de OCR como um documento de várias páginas agrupado em arquivo de saída djvu.

-i, --save-indireto =arquivo index-djvu
Salve os resultados do OCR como um documento indireto de várias páginas. Usar arquivo index-djvu como o índice
nome do arquivo; coloque os arquivos do componente no mesmo diretório. O diretório deve existir
e ser gravável.

--save-script =Arquivo de script
Salvar um Djvused script com resultados de OCR em Arquivo de script.

--no lugar
Salve os resultados do OCR no local.

(Use esta opção para manter a compatibilidade com ocrodjvu <0.2.)

--funcionamento a seco
Não altere nenhum arquivo, jogue fora os resultados do OCR.

É obrigatório usar exatamente uma das opções acima.

--ocr-somente
Se os resultados do OCR forem salvos em um documento separado (-o/--save-pacote or
-i/--save-indireto), salve apenas as páginas selecionadas para OCR.

O padrão é salvar todas as páginas, mesmo quando o -p/--Páginas opção está em vigor.

--Texto claro
Remova o texto oculto existente se estiver presente nas páginas não selecionadas para OCR.

(Use esta opção para manter a compatibilidade com ocrodjvu <0.2.)

--save-raw-ocr =diretório de saída
Salvar resultados OCR brutos (normalmente no formato hOCR) em diretório de saída. O
O diretório deve existir e ser gravável.

--raw-ocr-filename-template =modelo
Especifica o esquema de nomenclatura de arquivo para resultados de OCR brutos.

A linguagem do modelo usa o Python corda formatação sintaxe[6]. A seguir
campos estão disponíveis:

página, página + N, página-N
número da página, opcionalmente deslocado por um número N

id
identificador de página

id-ext
identificador de página sem extensão de arquivo

O modelo padrão é “{id-ext}”.

Texto segmentação opções
-t linhas, --detalhes linhas
Registre a localização de cada linha. Não registre a localização de palavras específicas ou
caracteres.

Este é o padrão para OCRopus 0.2. A opção é ineficaz com autônomo
Tesserato 2.0.

-t palavras, --details = palavras
Registre a localização de cada linha e cada palavra. Não registre locais de particular
caracteres.

Este é o padrão para a maioria dos mecanismos de OCR.

Esta opção é ineficaz com OCRopus 0.2 e Tesseract 2.0 autônomo.

-t tanques, --details = chars
Registre a localização de cada linha, cada palavra e cada caractere.

Esta opção é ineficaz com OCRopus 0.2 e Tesseract 2.0 autônomo.

--word-segmentation = simple
Considere cada sequência não vazia de caracteres sem espaço em branco como uma única palavra.

Este é o padrão, apesar de ser linguisticamente incorreto.

--word-segmentation = uax29
Use o Unicode Texto Segmentação[7] algoritmo para quebrar linhas em palavras.

Esta opção quebra as suposições de algumas ferramentas DjVu de que as palavras são separadas por espaços,
e, portanto, não é recomendado.

Outros opções
-l, --language =id do idioma
Defina o idioma de reconhecimento. id do idioma normalmente é um código de três letras ISO 639-2 / T.

Tesseract ≥ 3.02 permite especificar vários idiomas separados por caracteres “+”.

Para OCRopus, o padrão é “eng” (inglês), a menos que linguajar meio Ambiente
variável está definida. Para outros mecanismos de OCR, o padrão é sempre “eng”.

--list-idiomas
Imprime a lista de idiomas disponíveis para o mecanismo de OCR selecionado no momento.

--render = máscara
Renderize apenas máscaras de imagens de página.

Este é o padrão.

--render = foreground
Renderize apenas camadas de primeiro plano de imagens de página.

--render = all
Renderize todas as camadas de imagens da página.

Esta opção é necessária para OCR arquivos DjVu com foreground / background inválido
separação.

-p, --pages =intervalo de páginas
Especifica as páginas a serem processadas. intervalo de páginas é uma lista de subintervalos separados por vírgulas. Cada
subintervalo é uma única página (por exemplo, 17) ou um intervalo contíguo de páginas
(por exemplo, 37-42). As páginas são numeradas a partir de 1.

O padrão é processar todas as páginas.

-j, --jobs =n
Comece até n Processos de OCR.

--versão
Informações de versão de saída e saída.

-h, --Socorro
Exibir ajuda e sair.

Avançado opções
-D, --depurar
Para facilitar a depuração, não exclua arquivos intermediários.

-X chave=valor
Esta opção permite controlar alguns detalhes de como o ocrodjvu opera.

--on-error = abort
Pare a execução do programa quando uma situação excepcional (por exemplo, saída malformada do
Mecanismo de OCR, erro interno de ocrodjvu, etc.) ocorre.

Este é o padrão.

--on-error = retomar
Tente se recuperar de situações excepcionais.

Esta opção é fortemente desencorajada.

--html5
Usar um HTML5 analisador[8], que é mais robusto, mas mais lento do que o analisador padrão.

SAIR STATUS

Um dos seguintes valores de saída pode ser retornado por ocrodjvu:

0
O programa foi concluído com sucesso.

1
Ocorreu um erro fatal.

2
O programa se recuperou de um erro (--on-error = retomar).

MEIO AMBIENTE

As seguintes variáveis ​​de ambiente afetam o ocrodjvu:

linguajar
Linguagem de reconhecimento para Tesseract.

(O uso desta variável está obsoleto em favor do --língua opção.)

TMPDIR
ocrodjvu faz uso intenso de arquivos temporários. Ele irá armazená-los em um diretório
especificado por esta variável. O padrão é / tmp.

Use ocrodjvu online usando serviços onworks.net