Différences

Ci-dessous, les différences entre deux révisions de la page.

--- info:ocr [2014/02/19 15:17] – modification externe 127.0.0.1
+++ info:ocr [2024/05/16 02:51] (Version actuelle) – radeff
@@ Ligne 1: / Ligne 1: @@
 ====== Reconnaissance optique de caractères ======
+utiliser tesseract (cf infra)
 ====== PDF > txt directement avec un script bash linux ======
+requiert tesseract:
-un grand merci à Frans de Jonge pour son excellent script: http://fransdejonge.com/2012/04/ocr-text-in-pdf-with-tesseract/
+  sudo apt-get install tesseract-ocr tesseract-ocr-fra
-<code>
+ <code>
-#!/bin/bash
+#!/usr/bin/bash
-#ocrpdftotext
+# pdf_ocr2txt
-# Simplified implementation of http://ubuntuforums.org/showthread.php?t=880471
+ls *.pdf | while read i
-# mod Frans de Jong http://fransdejonge.com/2012/04/ocr-text-in-pdf-with-tesseract/
+do
-# mod Fred Radeff, akademia.ch
+	echo "converting pdf file: " $i " to tif file " $i.tif
-# usage: ocrpdftotext PutYourFilename.pdf
+	convert -density 400 -depth 8 $i $i.tif
-# Might consider doing something with getopts here, see http://wiki.bash-hackers.org/howto/getopts_tutorial
+	echo "-----"
-DPI=300
+	echo "Generating txt file " $i.txt
-#TESS_LANG=nld
+	tesseract $i.tif $i.txt -l fra
-#adapt to french
+done
-TESS_LANG=fra
-FILENAME=${@%.pdf}
-SCRIPT_NAME=`basename "$0" .sh`
-TMP_DIR=${SCRIPT_NAME}-tmp
-OUTPUT_FILENAME=${FILENAME}-output@DPI${DPI}
-mkdir ${TMP_DIR}
-cp ${@} ${TMP_DIR}
-cd ${TMP_DIR}
-convert -density ${DPI} -depth 8 ${@} "${FILENAME}.tif"
-tesseract "${FILENAME}.tif" "${OUTPUT_FILENAME}" -l ${TESS_LANG}
-mv ${OUTPUT_FILENAME}.txt ..
-rm *
-cd ..
-rmdir ${TMP_DIR}
 </code>
-absolument génial, de l'ordre de 90% et plus... jetez-vous dessus
 ===== tesseract =====
 http://doc.ubuntu-fr.org/tesseract-ocr
-http://code.google.com/p/tesseract-ocr/
+   convert -density 300 file.pdf -depth 8 file.tiff
+   tesseract file.tiff file.txt -l fra
+<code>#!/bin/sh
+echo "convertit un document pdf et réalise une reconnaissance optique de caractères"
+echo "entrer le nom du fichier"
+ls *.pdf
+read fichier
+echo "combien de pages?"
+read npages
+PAGES=$npages # set to the number of pages in the PDF
+SOURCE=$fichier # set to the file name of the PDF
+OUTPUT=$fichier.txt # set to the final output file
+RESOLUTION=600 # set to the resolution the scanner used (the higher, the better)
-marche nickel!
+#xpdf-pdfinfo pamphlet-low.pdf | grep Pages: | awk '{print $2}' | tail -n 1
-par contre pas en russe, je suis à la recherche... y'a visiblement du monde qui y bosse:
+#touch $OUTPUT
+for i in `seq 1 $PAGES`; do
+    convert -density $RESOLUTION -depth 8 $SOURCE\[$(($i - 1 ))\] page$i.png
+##    tesseract page$i.tif >> $OUTPUT
+    tesseract page$i.png $OUTPUT$i -l fra
+done</code>
-http://groups.google.com/group/tesseract-ocr-russian/
+==== Liens ====
-http://groups.google.com/group/tesseract-ocr-russian/files
+  * https://github.com/tesseract-ocr/tesseract/blob/main/README.md
+  * http://www.tristancollins.me/computing/ocr-using-tesseract-on-multipage-pdfs/
+  * https://azlinux.fr/tesseract/|Comment utiliser Tesseract pour extraire du texte à partir d'images
-voir aussi:
+marche nickel!
+===== GUI =====
-http://code.google.com/p/owlboxer/
+Si on veut pas s'embêter avec la ligne de commande (et avec les formats de fichiers...)
+    sudo apt-get install gimagereader
+{{:info:ksnip_20220816-115703.jpg?nolink|}}
-===== Old =====
+si on veut du russe il faudra installer le dictionnaire
+    sudo apt install hunspell-ru
+et bien sûr le dico français si vous ne l'avez pas déjà
+    sudo apt install hunspell-fr
-, ocrad et gocr tentent de rattraper le retard linuxien en matière d'OCR
+===== Russe =====
-apt-get install ocrad gocr
+  * https://pyimagesearch.com/2020/08/03/tesseract-ocr-for-non-english-languages/
+  * https://github.com/tesseract-ocr/tessdata/blob/main/rus.traineddata
-Faut avouer que c'est moins performant que les produits windaube...
+    mv rus.traineddata /usr/share/tesseract-ocr/4.00/tessdata/
-Un petit script pratique pour ocrad (que je préfère nettement à gocr, notamment plus rapide)
+Ou encore plus simple
+    sudo apt-get install tesseract-ocr-rus
+==== exemple de script bash pour le russe ====
-ocr.sh
+<code bash>
-<code>
+#!/usr/bin/bash
-#! /bin/bash
+# ocr-ru: convert (optical character recognition) jpg russian voc to text/csv file
-# ocr.sh
+# usage: ocr-ru then translate it and drill it with anki
-# Usage:
+# copyleft radeff.red - use it at your own risk!
-# ocr.sh
+ladate=$(date +'%Y%m%d')
-# script bash pour convertir des fichiers images en *.pbm et les traiter ensuite automatiquement avec le
+echo "ocr which russian image?"
-# logiciel de reconnaissance optique de caractères (OCR) ocrad pour en extraire un fichier texte
+ls *.jpg
-# Required: convert, ocrad
+read i
-# FR, fradeff@akademia.ch, www.unige.ch
+convert $i $i.png
-# History  2008/10/29, created FR
+tesseract $i.png $ladate -l rus
-############
+rm $i.png
-# se placer dans le répertoire dans lequel on a stocké les pages scannées ou photographièes, ici des fichiers JPG
+echo "conversion ok, edit "$ladate".txt now"
-mkdir pbm #cree un rep de travail
+#delete empty lines
-find . -name "*.JPG" | while read i #trouve les fichiers JPG
+sed -i '/^$/d' $ladate.txt
-do
+#delete line with only spaces
-	convert $i pbm/$i.pbm #les convertit dans un format accepte par ocrad via convert
+sed -i '/^ *$/d' $ladate.txt
-done
+#delete end line with strange char from whatsapp
-echo "Tous les fichiers images ont été convertis"
+sed -i '/^$/d' $ladate.txt
+mv $ladate.txt $ladate.csv
-cd pbm #va dans le rep de travail
+geany $ladate".csv"&
-find . | while read i
-do
-	ocrad $i >> result.txt #fait l'OCR
-done
-echo "Voici le résultat:"
-more result.txt
 </code>