tesseract - 云端在线

程序：

您的姓名

tesseract - 命令行 OCR 引擎

概要

正方体 图像名称|标准输入 产出基地|标准输出 [选项...] [配置文件...]

商品描述

正方体(1) 是 HP 于 1985 年间最初开发的商用质量 OCR 引擎
和1995年。1995年，该发动机被UNLV评为前三名。 它是开源的
由 HP 和 UNLV 于 2005 年开发，此后一直由 Google 开发。

进出 争论

图像名称
输入图像的名称。 大多数图像文件格式（Leptonica 可读的任何格式）
支持。

标准输入
从标准输入读取数据的指令

产出基地
输出文件的基本名称（将附加适当的扩展名）。
默认情况下，输出将命名为 外库.txt.

标准输出
将输出数据发送到标准输出的指令

配置

--tessdata-目录 /路径
指定tessdata路径的位置

--用户词 /路径/到/文件
指定用户词文件的位置

--用户模式 /路径/到/文件 指定
用户模式文件的位置

-c 配置变量=值
设置控制参数值。 允许多个 -c 参数。

-l 郎
要使用的语言。 如果没有指定，则假定为英语。 多种语言可能
指定，用加号分隔。 Tesseract 使用 3 个字符的 ISO 639-2
语言代码。 （见语言）

-psm N
将 Tesseract 设置为仅运行布局分析的一个子集并假设某种形式的布局分析
图片。 的选项 N 是：

0 = 仅方向和脚本检测 (OSD)。
1 = 带有 OSD 的自动页面分割。
2 = 自动页面分割，但没有 OSD 或 OCR。
3 = 全自动页面分割，但没有 OSD。 （默认）
4 = 假设有一列大小可变的文本。
5 = 假设有一个统一的垂直对齐文本块。
6 = 假设有一个统一的文本块。
7 = 将图像视为单个文本行。
8 = 将图像视为单个单词。
9 = 将图像视为圆圈中的单个单词。
10 = 将图像视为单个字符。

配置文件
要使用的配置的名称。 配置是一个纯文本文件，其中包含一个列表
变量及其值，每行一个，用空格分隔变量和值。
有趣的配置文件包括：

· hocr - 以 hOCR 格式输出，而不是作为文本文件。

· pdf - 以 pdf 格式输出，而不是文本文件。

注意 贝恩： 选项 -l 郎 和 -psm N 必须发生在任何 配置文件.

单盒 配置

-v
返回当前版本 正方体(1) 可执行。

--列表语言
列出 tesseract 引擎的可用语言。 可以与 --tessdata-dir 一起使用。

--打印参数
将 tesseract 参数打印到标准输出。

语言

目前有以下语言的语言包（在
https://github.com/tesseract-ocr/tessdata):

AFR （南非荷兰语） 嗯 （阿姆哈拉语） 中间 （阿拉伯） ASM （阿萨姆语） 阿塞拜疆 （阿塞拜疆语） aze_cyrl
（阿塞拜疆 - 西里尔文） 贝尔 （白俄罗斯语） 本 （孟加拉） 点 （藏） BOS （波斯尼亚语） BUL
（保加利亚语） 猫 （加泰罗尼亚语；巴伦西亚语） CEB （宿雾语） CES （捷克语） 模拟卡 （中国人 -
简化） 奇特拉 （中国传统的） CHR (切诺基) ym （威尔士语） 担 （丹麦文）
丹弗拉克 （丹麦语 - Fraktur） 申 （德语） 德乌弗拉克 （德语 - Fraktur） 佐 (宗喀语) ELL
（希腊语，现代（1453-）） ENG （英文） 恩 （英语，中 (1100-1500)） EPO （世界语）
EQU （数学/方程检测模块） 是 （爱沙尼亚语） EUS （巴斯克） FAS （波斯语） 结束
（芬兰） FRA （法文） FRK （法兰克语） FRM （法国，中部（约 1400-1600）） GLE （爱尔兰语） GLG
（加利西亚语） GRC （希腊语，古代（至 1453 年）） GUJ （古吉拉特语） 帽子 （海地；海地克里奥尔语） 希伯来书
（希伯来语） ^ h （印地语） HRV （克罗地亚语） 匈奴 （匈牙利） 伊库 （因纽特语） 工业 （印度尼西亚） ISL
（冰岛的） ITA （意大利语） 旧版 （意大利语 - 旧） JAV (爪哇语) 日本 （日本） 可以
（卡纳达语） 吉 （格鲁吉亚语） 老 （格鲁吉亚语 - 旧） 哈萨克斯坦 （哈萨克） hm （中高棉） 基尔
（吉尔吉斯语；吉尔吉斯语） 奶牛 （韩文） 库尔 （库尔德） 老挝 （老挝语） 纬度 （拉丁） 盥洗室 （拉脱维亚语） 床
（立陶宛语） 时 （马拉雅拉姆语） 损伤 （马拉地语） k （马其顿语） t （马耳他语） MSA （马来语） 妙
（缅甸语） 不 （尼泊尔） 全国人大 （荷兰语；佛兰芒语） 也不 （挪威） ORI (奥里亚) OSD （方向
和脚本检测模块） 锅 （旁遮普语；旁遮普语） 极 （抛光） 由 （葡萄牙语） 脓
（普什图语；普什图语） 罗恩 （罗马尼亚语；摩尔多瓦语；摩尔多瓦语） 病毒 （俄语） 圣 （梵文） 无
（僧伽罗语；僧伽罗语） SLK （斯洛伐克文） slk_frak （斯洛伐克语 - Fraktur） SLV （斯洛文尼亚语） 温泉
（西班牙语；卡斯蒂利亚语） 水疗旧 （西班牙语；卡斯蒂利亚语 - 旧） qi （阿尔巴尼亚语） SRP （塞尔维亚）
srp_latn （塞尔维亚语 - 拉丁语） 或 （斯瓦希里语） we （瑞典） 锡尔 （叙利亚语） 担 （泰米尔语） 联系电话
（泰卢固语） g （塔吉克） g （他加禄语） THA （泰国） TIR （提格里尼亚语） TUR （土耳其） 威格 （维吾尔;
维吾尔语） 乌克兰 （乌克兰） 南台 （乌尔都语） 乌兹别克斯坦 （乌兹别克语） 乌兹布_西尔 （乌兹别克语 - 西里尔文） 争夺 （越南文）
id （Y语）

使用名为的非标准语言包 foo.traineddata，设置 TESSDATA_PREFIX
环境变量，因此可以在以下位置找到该文件 TESSDATA_PREFIX/测试数据/FOO.traineddata
并给 Tesseract 论证 -l FOO.

配置 FILES AND 增强 与 USER 数据

Tesseract 配置文件由带有变量值对（空格分隔）的行组成。 这
变量在源代码中被记录为标志，如下所示
tesseractclass.h：

STRING_VAR_H(tessedit_char_blacklist, "", "无法识别的字符黑名单");

这些变量可以启用或禁用引擎的各种功能，并可能导致它
加载（或不加载）各种数据。 例如，假设您想用英语进行 OCR，
但抑制普通词典并加载替代单词列表和替代
模式列表——这两个文件是最常用的额外数据文件。

如果您的语言包在 /path/to/eng.traineddata 中并且 hocr 配置在
/path/to/configs/hocr 然后创建三个新文件：

/path/to/eng.user-words：

此
快
棕色
狐狸
跳下

/path/to/eng.user 模式：

1-\d\d\d-GOOG-411
www.\n\\\*.com

/path/to/configs/集市：

load_system_dawg F
load_freq_dawg F
user_words_suffix 用户词
user_patterns_suffix 用户模式

现在，如果你传递这个词 市场 作为 Tesseract 的尾随命令行参数，
Tesseract 不会费心加载系统字典或频繁的字典
words 并将加载和使用您提供的 eng.user-words 和 eng.user-patterns 文件。
前者是一个简单的单词表，每行一个。 后者的格式记录在
read_pattern_list() 上的 dict/trie.h。

历史

该引擎是在 Hewlett Packard Laboratories Bristol 和 Hewlett Packard 开发的
Co, Greeley Colorado 于 1985 年至 1994 年间，1996 年进行了更多更改以移植到
Windows 和 1998 年的一些 C++ 化。很多代码是用 C 编写的，然后还有一些
是用 C++ 写的。 C\++ 代码大量使用使用宏的列表系统。 这个
早于 stl，在 stl 之前是可移植的，并且比 stl 列表更有效，但具有
很大的负面影响，如果您确实遇到分段违规，则很难调试。

2.00 版带来了 Unicode (UTF-8) 支持、六种语言和训练能力
立方体。

Tesseract 被纳入 UNLV 的第四次 OCR 准确性年度测试。 看
https://github.com/tesseract-ocr/docs/blob/master/AT-1995.pdf. 使用 Tesseract 2.00，
现在包含脚本以允许任何人重现其中的一些测试。 看
https://github.com/tesseract-ocr/tesseract/wiki/TestingTesseract ，了解更多详情。

Tesseract 3.00 添加了许多新语言，包括中文、日语和韩语。 它
还引入了一种新的、基于单文件的语言数据管理系统。

Tesseract 3.02 增加了双向文本支持，能够识别多个
单个图像中的语言，并改进了布局分析。

有关更多详细信息，请参阅发行版中包含的文件 ReleaseNotes。

资源

主要网站： https://github.com/tesseract-ocr 培训信息：
https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract

使用 onworks.net 服务在线使用 tesseract