수 천 페이지의 스캔 된 책 페이지가 있습니다. 각 페이지는 JPG로 개별적으로 저장됩니다. 글은 분명하지만 글꼴은 다양하며 페이지에는 그림과 삽화가 들어 있습니다.

각 JPG 파일에 나타나는 모든 단어 목록을 만들어야합니다. 나타나는 단어가 나열된 이미지를 스캔하기위한 명령 줄 도구가 있습니까? 완벽한 스캔이 필요하지 않으며 추정치 일뿐입니다.

tesseract 는 아마도 가장 많이 사용되는 솔루션 일 것입니다. 대부분의 패키지 리포지토리에서 사용할 수 있습니다 (예 :

sudo apt install tesseract-ocr

와 함께 사용할 수 있습니다

tesseract input.png out.txt

설치 imagemagick, pdftotext(명명 된 패키지에 poppler-utils일부 패키지 관리자에서) ocrmypdf . 후자는 빠르며 (ocr은 많은 CPU를 필요로하며 모든 코어를 사용하도록 구성됨) 오픈 소스이며 자주 업데이트되는 OCR 소프트웨어입니다. 이 방법은 실제로 단어에 레이블을 지정하는 대신 각 단어에 문자열을 할당하려고 시도 할 때 과도하게 사용되지만, 오픈 소스 OCR 소프트웨어를 일반적으로 사용하기에 좋고 쉬운 방법을 찾는 데 많은 어려움을 겪었습니다. 그런 다음 모든 JPG를 저장 한 디렉토리에서 다음을 수행하십시오.

$ convert *.jpg pictures.pdf
$ ocrmypdf pictures.pdf scanned.pdf
$ pdftotext scanned.pdf scanned.txt
$ wc -w scanned.txt

업 스케일 이미지 file.png 480 %, 그레이 스케일로 변경, 흰색으로 백필, 선명하게 한 다음 테서 랙트 OCR을 사용하여 추출합니다. 매우 큰 글꼴을 제외하고 검정 바탕에 흰색을 제외하고는 대부분의 경우 잘 작동합니다. 글꼴이 매우 큰 경우 고급 200 % 또는 300 % 만 가능합니다.

 convert -colorspace gray -fill white  -resize 480%  -sharpen 0x1  file.png file.jpg
 tesseract file.jpg file

결과는 file.txt에 있습니다.

Linux 사용자의 경우 Calibre를 사용하여 pdf를 docx로 변환하는 것 외에는 아무것도 작동하지 않습니다. https://calibre-ebook.com/download_linux

TL; DR

for i in /path_to/*.jpg;do ./myocr.sh $i $(basename $i .jpg);done

#!/bin/bash
# PROGRAM=myocr.sh
if [ "$1" ] && [ -e "$1" ]; then
  TMPF=$(mktemp myocr.sh.XXXXXXXX.tif)
  DEST="$2"
  if [ ! "$DEST" ]; then
    DEST="${1%.*}.txt"
    if [ -e "$DEST" ]; then
      echo "$DEST already exists; please provide a new textfile name" >&2
      exit 1
    fi
  fi
  /usr/bin/convert "$1" -colorspace Gray -depth 8 -resample 200x200 -flatten -alpha Off $TMPF \
  && /usr/bin/tesseract $TMPF "$DEST"
  EX=$?
  /bin/rm -f $TMPF
  [ $EX -eq 0 ] && [ "$TERM" ] && echo "created $DEST"
  exit $EX
else
  echo "Usage: $0 imagefile [textfile]" >&2
  echo " creates a plain text file with the text found in imagefile" >&2
  exit 1
fi

출처 : https://help.ubuntu.com/community/OCR