具有表格或行的文档的 Tesseract OCR 文本顺序

Posted 2023-04-17

【中文标题】具有表格或行的文档的 Tesseract OCR 文本顺序

【英文标题】：Tesseract OCR text order for documents with tables or rows

【发布时间】：2015-05-19 05:04:37

【问题描述】：

我正在使用Tesseract OCR 将扫描的 PDF 转换为纯文本。总的来说，它非常有效，但我对文本的扫描顺序有疑问。当看起来更自然的方式是逐行扫描时，带有表格数据的文档似乎逐列向下扫描。一个非常小规模的例子是：

This is column A, row 1   This is column B, row 1    This is column C, row 1
This is column A, row 2   This is column B, row 2    This is column C, row 2

正在生成以下文本：

This is column A, row 1
This is column A, row 2
This is column B, row 1
This is column B, row 2
This is column C, row 1
This is column C, row 2

我开始阅读文档并使用parameters documented here 进行猜测和测试，但如果有人已经解决了类似的问题，我将不胜感激有关修复的见解。它也可能是一些训练数据，但我不知道它是如何工作的。

【参考方案1】：

尝试在Page Segmentation Modes 的单列之一中运行 tesseract：

tesseract input.tif output-filename --psm 6

默认情况下，Tesseract 在分割图像时需要一页文本。如果您只是想对一个小区域进行 OCR，请尝试使用不同的分段模式，使用 -psm 参数。请注意，为剪裁过紧的文本添加白色边框也可能会有所帮助，请参阅问题 398。

要查看支持的页面分段模式的完整列表，请使用tesseract -h。这是截至 3.21 的 [ed: excerpt only] 列表：

全自动页面分割，但没有 OSD。 （默认） 假设有一列大小可变的文本。 假设一个统一的垂直对齐文本块。 假设一个统一的文本块。

在此处查看示例：#using-different-page-segmentation-modes

【讨论】：

命令不应该是：“tesseract input.tif output-filename -psm 6”吗？注意 psm 参数前的单个 hifen

【参考方案2】：

我知道这是一个老问题，但我一直在努力解决类似的问题，并发现hOCR 输出是解决方案。跑步

tesseract input.tif output-filename hocr

将创建output-file.hocr（基本上是html），为每个短语的边界框提供坐标。由您决定如何根据这些数据重建表格（可能使用输入图像的尺寸）。

与其他答案一样，指定一些特定的 page segmentation mode 可能有助于将表格中的短语适当分组，但坐标将提供所需的精确结果。

【参考方案3】：

您需要使用以下配置

#Read Image
r = Image.open('8.png')
r.load()
#Converting inmage to text with preserving interline spaces
text = pytesseract.image_to_string(r,config='-c preserve_interword_spaces=1x1 --psm 
1 --oem 3' )

或

另一种解决方案是在文本周围绘制轮廓，将所有轮廓保存在单独的文件中，并根据它们的 x,y 坐标对它们进行排序。之后，您只需要从每个图像中提取文本并根据需要显示即可。