小技巧：如何在Linux上從圖像和PDF中提取文本
gImageReader是Tesseract開源OCR引擎的前端。Tesseract最初是由HP開發(fā)的，然后于2006年開源。
基本上，OCR（Optical Character Recognition光學(xué)字符識(shí)別）引擎使您可以掃描圖片或文件（PDF）中的文本。默認(rèn)情況下，它可以檢測多種語言，并且還支持通過Unicode字符進(jìn)行掃描。
但是，Tesseract本身就是沒有任何GUI的命令行工具。因此，在這里，gImageReader可以幫助任何用戶利用它來從圖像和文件中提取文本。
讓我重點(diǎn)介紹一些有關(guān)它的內(nèi)容，同時(shí)提及我在測試期間的使用經(jīng)驗(yàn)。
gImageReader：Tesseract OCR的跨平臺(tái)前端
為了簡化工作，gImageReader可以方便地從PDF文件或包含任何類型文本的圖像中提取文本。
無論是拼寫檢查還是翻譯都需要它，它對(duì)于特定的用戶組應(yīng)該很有用。
gImageReader功能介紹:
- 從磁盤，掃描設(shè)備，剪貼板和屏幕截圖添加PDF文檔和圖像
- 旋轉(zhuǎn)圖像的能力
- 通用圖像控件可調(diào)節(jié)亮度，對(duì)比度和分辨率
- 直接通過應(yīng)用程序掃描圖像
- 能夠一次處理多個(gè)圖像或文件
- 手動(dòng)或自動(dòng)識(shí)別區(qū)域定義
- 識(shí)別純文本或hOCR文檔
- 編輯器顯示識(shí)別的文本
- 可以拼寫檢查提取的文本
- 從hOCR文檔轉(zhuǎn)換/導(dǎo)出為PDF文檔
- 將提取的文本導(dǎo)出為.txt文件
- 跨平臺(tái)（Windows）
在Linux上安裝gImageReader
注意：您需要顯式安裝Tesseract語言包以從軟件管理器中的圖像/文件中進(jìn)行檢測。
您可以在某些Linux發(fā)行版（例如Fedora和Debian）的默認(rèn)存儲(chǔ)庫中找到gImageReader。
對(duì)于Ubuntu，您需要添加一個(gè)PPA，然后再安裝它。為此，您需要在終端中輸入以下內(nèi)容：
- linuxmi@linuxmi:~/www.linuxmi.com$ sudo add-apt-repository ppa:sandromani/gimagereader
- linuxmi@linuxmi:~/www.linuxmi.com$ sudo apt update
- linuxmi@linuxmi:~/www.linuxmi.com$ sudo apt install gimagereader tesseract-ocr tesseract-ocr-eng tesseract-ocr-chi-sim tesseract-ocr-chi-tra -y
- linuxmi@linuxmi:~/www.linuxmi.com$ sudo apt install tesseract-ocr-chi-sim-vert tesseract-ocr-chi-tra-vert -y
您還可以從其構(gòu)建服務(wù)中為openSUSE找到它，AUR將成為Arch Linux用戶的地方。
到存儲(chǔ)庫和軟件包的所有鏈接都可以在其GitHub頁面中找到。
使用gImageReader的經(jīng)驗(yàn)
gImageReader是一個(gè)非常有用的工具，可以在需要時(shí)從圖像中提取文本。當(dāng)您嘗試使用PDF文件時(shí)，它的效果很好。
為了從智能手機(jī)拍攝的照片中提取圖像，檢測很接近，但是有點(diǎn)不準(zhǔn)確。也許當(dāng)您掃描某些內(nèi)容時(shí)，從文件中識(shí)別字符可能會(huì)更好。
因此，您必須自己嘗試一下，看看它在您的用例中的效果如何。我在Ubuntu 20.04.2 LTS上進(jìn)行了嘗試。
操作步驟
打開 gImageReader
添加pdf
識(shí)別語言選擇 多種語言 ==> 簡體字[chi_sim]+ English[eng]
復(fù)制或保存識(shí)別文本
操作結(jié)果參照下圖：
我只是在管理設(shè)置中的語言時(shí)遇到了一個(gè)問題，但沒有得到快速的解決方案。如果遇到此問題，則可能需要對(duì)其進(jìn)行故障排除，并進(jìn)一步了解如何解決該問題。
除此之外，它工作得很好。
永久鏈接：https://www.linuxmi.com/linux-ocr-gimagereader-pdf.html
