用 R 做 OCR

Posted 2023-04-17

【中文标题】用 R 做 OCR

【英文标题】：Doing OCR with R

【发布时间】：2015-11-05 22:14:39

【问题描述】：

我一直在尝试在 R 中进行 OCR（读取作为扫描图像的数据的 PDF 数据）。一直在读这个@http://electricarchaeology.ca/2014/07/15/doing-ocr-within-r/

这是一篇非常好的帖子。

有效的 3 个步骤：

将 pdf 转换为 ppm（一种图像格式） 将 ppm 转换为 tif 准备好进行 tesseract（使用 ImageMagick 进行转换） 将 tif 转换为文本文件

以上3个步骤的有效代码见链接贴：

lapply(myfiles, function(i)
  # convert pdf to ppm (an image format), just pages 1-10 of the PDF
  # but you can change that easily, just remove or edit the 
  # -f 1 -l 10 bit in the line below
  shell(shQuote(paste0("F:/xpdf/bin64/pdftoppm.exe ", i, " -f 1 -l 10 -r 600 ocrbook")))
  # convert ppm to tif ready for tesseract
  shell(shQuote(paste0("F:/ImageMagick-6.9.1-Q16/convert.exe *.ppm ", i, ".tif")))
  # convert tif to text file
  shell(shQuote(paste0("F:/Tesseract-OCR/tesseract.exe ", i, ".tif ", i, " -l eng")))
  # delete tif file
  file.remove(paste0(i, ".tif" ))
  )

前两个步骤进行得很好。 （虽然花了很多时间，4页的pdf，但稍后会研究可扩展性部分，首先尝试是否可行）

运行时，前两个步骤可以正常工作。

在运行第三步时，即

shell(shQuote(paste0("F:/Tesseract-OCR/tesseract.exe ", i, ".tif ", i, " -l eng")))

我遇到了这个错误：

错误：求值嵌套太深：无限递归/选项（表达式=）？

或者 Tesseract 崩溃了。

我们将不胜感激任何解决方法或根本原因分析。

【问题讨论】：

可以给myfiles的内容吗？

@bdecaf - 不幸的是，由于数据安全问题，我不能。本质上是其公司的财务报表（扫描图像），位于 pdf（4 页）内。那个 pdf 在我的文件中。这不是一个 r 问题（这就是我的想法，但更多的是一个 tesseract 问题。

@r_analytics 您找到解决问题的方法了吗？

我在安装和运行 Teseract 时遇到了很多麻烦。有什么帮助吗？

【参考方案1】：

通过使用“tesseract”，我创建了一个有效的示例脚本。即使它也适用于扫描的 PDF。

library(tesseract)
library(pdftools)

# Render pdf to png image

img_file <- pdftools::pdf_convert("F:/gowtham/A/B/invoice.pdf", format = 'tiff',  dpi = 400)

# Extract text from png image
text <- ocr(img_file)
write.table(text, "F:/gowtham/A/B/mydata.txt")

我是 R 和编程的新手。有错的请指教。希望对您有所帮助。

【讨论】：

是的，这很有帮助。您还可以在tesseract 小插图here 中看到类似的示例。一个小提示：library(tesseract) 也加载了pdftools 包，因此无需调用library(pdftools)，尤其是您还使用了pdftools:: 调用函数的方式。

另外，对于纯文本文件，使用writeLines 代替write.table 可能会稍微好一些，请参阅here。希望此反馈对您有所帮助。

【参考方案2】：

新发布的tesseract 包可能值得一试。它允许您在没有 shell 调用的情况下在 R 内部执行整个过程。

采用help documentation of the tesseract package 中使用的过程，您的函数将如下所示：

lapply(myfiles, function(i)
  # convert pdf to jpef/tiff and perform tesseract OCR on the image

  # Read in the PDF
  pdf <- pdf_text(i)
  # convert pdf to tiff
  bitmap <- pdf_render_page(news, dpi = 300)
  tiff::writeTIFF(bitmap, paste0(i, ".tiff"))
  # perform OCR on the .tiff file
  out <- ocr(paste0, (".tiff"))
  # delete tiff file
  file.remove(paste0(i, ".tiff" ))
)

【讨论】：

只是为了澄清这种方法只适用于可搜索的 pdf 而不是扫描的