Différences

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

--- info:ocr [2017/09/24 14:29] – radeff
+++ info:ocr [2024/05/16 02:51] (Version actuelle) – radeff
@@ Ligne 4: / Ligne 4: @@
 requiert tesseract:
-  sudo apt-get install tesseract
+  sudo apt-get install tesseract-ocr tesseract-ocr-fra
-<code>
+ <code>
 #!/usr/bin/bash
 # pdf_ocr2txt
@@ Ligne 45: / Ligne 46: @@
     tesseract page$i.png $OUTPUT$i -l fra
 done</code>
-http://www.tristancollins.me/computing/ocr-using-tesseract-on-multipage-pdfs/
+==== Liens ====
-http://code.google.com/p/tesseract-ocr/
+  * 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
 marche nickel!
+===== GUI =====
-par contre pas en russe, je suis à la recherche... y'a visiblement du monde qui y bosse:
+Si on veut pas s'embêter avec la ligne de commande (et avec les formats de fichiers...)
+    sudo apt-get install gimagereader
-http://groups.google.com/group/tesseract-ocr-russian/
+{{:info:ksnip_20220816-115703.jpg?nolink|}}
-http://groups.google.com/group/tesseract-ocr-russian/files
+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
-voir aussi:
+===== Russe =====
-http://code.google.com/p/owlboxer/
+  * https://pyimagesearch.com/2020/08/03/tesseract-ocr-for-non-english-languages/
+  * https://github.com/tesseract-ocr/tessdata/blob/main/rus.traineddata
+    mv rus.traineddata /usr/share/tesseract-ocr/4.00/tessdata/
-===== Old =====
+Ou encore plus simple
+    sudo apt-get install tesseract-ocr-rus
-, ocrad et gocr tentent de rattraper le retard linuxien en matière d'OCR
+==== exemple de script bash pour le russe ====
+<code bash>
-apt-get install ocrad gocr
+#!/usr/bin/bash
+# ocr-ru: convert (optical character recognition) jpg russian voc to text/csv file
-Faut avouer que c'est moins performant que les produits windaube...
+# usage: ocr-ru then translate it and drill it with anki
+# copyleft radeff.red - use it at your own risk!
-Un petit script pratique pour ocrad (que je préfère nettement à gocr, notamment plus rapide)
+ladate=$(date +'%Y%m%d')
+echo "ocr which russian image?"
+ls *.jpg
-ocr.sh
+read i
-<code>
+convert $i $i.png
-#! /bin/bash
+tesseract $i.png $ladate -l rus
-# ocr.sh
+rm $i.png
-# Usage:
+echo "conversion ok, edit "$ladate".txt now"
-# ocr.sh
+#delete empty lines
-# script bash pour convertir des fichiers images en *.pbm et les traiter ensuite automatiquement avec le
+sed -i '/^$/d' $ladate.txt
-# logiciel de reconnaissance optique de caractères (OCR) ocrad pour en extraire un fichier texte
+#delete line with only spaces
-# Required: convert, ocrad
+sed -i '/^ *$/d' $ladate.txt
-# FR, fradeff@akademia.ch, www.unige.ch
+#delete end line with strange char from whatsapp
-# History  2008/10/29, created FR
+sed -i '/^$/d' $ladate.txt
-############
+mv $ladate.txt $ladate.csv
-# se placer dans le répertoire dans lequel on a stocké les pages scannées ou photographièes, ici des fichiers JPG
+geany $ladate".csv"&
-mkdir pbm #cree un rep de travail
-find . -name "*.JPG" | while read i #trouve les fichiers JPG
-do
-	convert $i pbm/$i.pbm #les convertit dans un format accepte par ocrad via convert
-done
-echo "Tous les fichiers images ont été convertis"
-cd pbm #va dans le rep de travail
-find . | while read i
-do
-	ocrad $i >> result.txt #fait l'OCR
-done
-echo "Voici le résultat:"
-more result.txt
 </code>