如何提取扫描件里面的文字?

OOo,TeX,KO,ABI,GIMP,Picasa,ProE,QCAD,Inkscape,Kicad,Eagle
回复
guapizai
帖子: 84
注册时间: 2009-06-13 19:17
送出感谢: 0
接收感谢: 0

如何提取扫描件里面的文字?

#1

帖子 guapizai » 2011-01-08 14:54

手头上有扫描的TIF图片,想把里面的文字提取出来,怎么办?
pdf里面的汉字可以提取么?
头像
momova
帖子: 3382
注册时间: 2007-07-11 21:43
系统: archlinux
来自: 东江边
送出感谢: 15 次
接收感谢: 7 次

Re: 如何提取扫描件里面的文字?

#2

帖子 momova » 2011-01-08 15:54

gImageReader:从PDF和图像文件中导出文字(Tesseract OCR图形界面版)

Tesseract是一个OCR引擎,它可以识别图形中的文字。但不带文档输出分析,没有输出格式和图形用户界面。

gImageReader可以从图像或PDF文件中导出文字。它支持列选择和部分文档的功能,也可以打开多页面的PDF或图像文件,支持所有的图形格式,能只转化选定区域的文字。

可选项:在UBUNTU 10.04和10.10中安装Tesseract OCR 3.0 SVN

尽管Tesseract OCR 3.0仍在开发中,但比现在的稳定版要好很多。而且这个PPA中还包括很多语言包,所以,尽管这是一个可选项,仍然强力推荐。

警告:安装完最新版Tesseract之后要马上禁用这个PPA源,因为它还包含一些很有风险的程序包。

添加PPA源并安装Tesseract OCR 3.0 SVN:

sudo add-apt-repository ppa:alex-p/notesalexp

sudo apt-get update

sudo apt-get install tesseract-ocr

这个源中还包含了一些其他的语言包,比如德文,法文之类的(可惜没有中文)。在新立得中搜索tesseract-ocr,找到你需要的语言包,安装即可。

现在,需要禁用这个PPA,按ALT + F2,输入:

gksu software-properties-gtk

然后,在“其它软件”选项卡中找到”http://ppa.launchpad.net/alex-p/notesalexp”这一行,去掉前面的勾或者直接删除它。

gImageReader

gImageReader既可以在LINUX中使用也可以在WINDOWS中使用。可以在这里下载(.deb, .rpm 或 .exe 文件都有)

安装之后,选择你想要转化成文本的PDF或图像,如果转化整个文件就点击”Recognize all”,如果不是,用鼠标选中你想转化的那一部分点击”Recognize selection”

如果PDF文件或图像文件对应的语言包尚未安装,gImageReader会自动探测语言。
我来了,我看见了,我征服了!
求勾搭,不管饭。
头像
photor
论坛版主
帖子: 11005
注册时间: 2008-04-26 12:41
送出感谢: 8 次
接收感谢: 36 次

Re: 如何提取扫描件里面的文字?

#3

帖子 photor » 2011-01-08 15:59

momova 写了:gImageReader:从PDF和图像文件中导出文字(Tesseract OCR图形界面版)

Tesseract是一个OCR引擎,它可以识别图形中的文字。但不带文档输出分析,没有输出格式和图形用户界面。

gImageReader可以从图像或PDF文件中导出文字。它支持列选择和部分文档的功能,也可以打开多页面的PDF或图像文件,支持所有的图形格式,能只转化选定区域的文字。

可选项:在UBUNTU 10.04和10.10中安装Tesseract OCR 3.0 SVN

尽管Tesseract OCR 3.0仍在开发中,但比现在的稳定版要好很多。而且这个PPA中还包括很多语言包,所以,尽管这是一个可选项,仍然强力推荐。

警告:安装完最新版Tesseract之后要马上禁用这个PPA源,因为它还包含一些很有风险的程序包。

添加PPA源并安装Tesseract OCR 3.0 SVN:

sudo add-apt-repository ppa:alex-p/notesalexp

sudo apt-get update

sudo apt-get install tesseract-ocr

这个源中还包含了一些其他的语言包,比如德文,法文之类的(可惜没有中文)。在新立得中搜索tesseract-ocr,找到你需要的语言包,安装即可。

现在,需要禁用这个PPA,按ALT + F2,输入:

gksu software-properties-gtk

然后,在“其它软件”选项卡中找到”http://ppa.launchpad.net/alex-p/notesalexp”这一行,去掉前面的勾或者直接删除它。

gImageReader

gImageReader既可以在LINUX中使用也可以在WINDOWS中使用。可以在这里下载(.deb, .rpm 或 .exe 文件都有)

安装之后,选择你想要转化成文本的PDF或图像,如果转化整个文件就点击”Recognize all”,如果不是,用鼠标选中你想转化的那一部分点击”Recognize selection”

如果PDF文件或图像文件对应的语言包尚未安装,gImageReader会自动探测语言。
:em11 :em11 :em11
heavencen
帖子: 132
注册时间: 2011-02-04 14:08
送出感谢: 4 次
接收感谢: 0

Re: 如何提取扫描件里面的文字?

#4

帖子 heavencen » 2011-11-27 0:08

不行,我裝不3.0之後,新立得找不到,裝gimagereader時,提示還要裝tesseract-ocr,而他裝的新立得裡面的舊版。用aptitude也查不到新裝的3.0,但在命令界面下,可以運行。怎麼回事?
头像
tang.zhe
帖子: 1425
注册时间: 2010-07-15 13:31
送出感谢: 71 次
接收感谢: 22 次

Re: 如何提取扫描件里面的文字?

#5

帖子 tang.zhe » 2011-11-28 8:47

:em11
头像
eexpress
帖子: 58428
注册时间: 2005-08-14 21:55
来自: 长沙
送出感谢: 4 次
接收感谢: 256 次

Re: 如何提取扫描件里面的文字?

#6

帖子 eexpress » 2011-11-28 10:16

汉字的,别太认真。
英文的gocr都够了。
tesseract-ocr太复杂,不好用。
● 鸣学
回复

回到 “办公、图像、机械电子设计等”