关于 this 和 this 问题,我询问如何下载数千个
我有兴趣提取一堆
或者
我得到了像这样的东西。 当我使用上述命令再次运行
我知道这个示例页面特别困难,但是即使是非墨水印和不倾斜的页面,在使用
例如,这个页面。
PDF
并使用 OCR
处理它们以提取其文本时,当涉及到增强文本输出时,我又遇到了难题。我有兴趣提取一堆
PDF
的文本,以搜索其中的姓氏(我不需要必须能够阅读其余文本)。这些 PDF
是旧报纸文章,发表于1810年至1832年之间,使用 德语黑体 写成。该字体似乎对于 tesseract
特别具有挑战性。
问:我该如何进一步改善 tesseract
的图像质量,至少有机会在文本中找到姓氏?您建议采用哪种程序?
如果我们以thisPDF为例,应用时我会收到以下图片。convert -colorspace GRAY -resize 3000x -units PixelsPerInch example.pdf example-page.jpg
如果我现在使用tesseract
tesseract --tessdata-dir /usr/local/share/tessdata/ -l deu_frak example-page.jpg example-page.txt
这张图片大约有360个变音符号,所以我的文本输出完全混乱。
当我使用Fred的ImageMagick脚本textcleaner时,应用任何一种方法都会表现得很差。
textcleaner -g -e stretch -f 25 -o 10 -u -s 1 -T -p 10
或者
textcleaner -g -e stretch -f 25 -o 20 -t 30 -u -s 1 -T -p 20
我得到了像这样的东西。 当我使用上述命令再次运行
tesseract
时,生成的文本结果要好得多(检测到约700-800个变音符号),但仍然足够混乱,以至于无法找到大部分文本中的姓氏。我知道这个示例页面特别困难,但是即使是非墨水印和不倾斜的页面,在使用
tesseract
和上述命令处理它们时,也会产生大部分混乱的输出和无法辨认的姓氏。例如,这个页面。
问:我该如何进一步改善tesseract
的图像质量,以至少有机会在文本中找到姓氏?你会建议哪种方法?
编辑: 我不知道是否需要训练tesseract或者使用处理给定的德语Fraktur字体的好方法,因为GUI框编辑器在MacOS上似乎可以可靠地工作,例如,jTessBoxEditor,Qt-box-editor或Tesseract-Box-Editor,我也不明白如何训练tesseract,请参见tesseract培训wiki here和另一个教程here。
time parallel -j 8 --verbose --progress 'mkdir -p {.} && gs -dSAFER -dBATCH -dNOPAUSE -sDEVICE=pgmraw -r300 -dTextAlphaBits=4 -sProcessColorModel=DeviceGray -sColorConversionStrategy=Gray -dOverrideICC -o {.}/{.}.pgm' ::: *.pdf
,但只导致文件夹(以每个PDF文件的名称命名)为空(应该是相应PDF的pgm)。您知道我做错了什么吗? - Til Hundtime find . -name \*.pdf | time parallel -j 8 --verbose --progress 'mkdir -p {.} && gs -dSAFER -dBATCH -dNOPAUSE -dPDFSETTINGS=/screen -sDEVICE=pgmraw -r300 -dTextAlphaBits=4 -sProcessColorModel=DeviceGray -sColorConversionStrategy=Gray -dOverrideICC -o {.}/{.}-%03d.pgm {}'
。非常感谢您的帮助! - Til Hund