使用 Tesseract-OCR 获取已识别字符的字体

Posted 2023-04-17

【中文标题】使用 Tesseract-OCR 获取已识别字符的字体

【英文标题】：Get font of recognized character with Tesseract-OCR

【发布时间】：2013-03-18 17:23:15

【问题描述】：

是否可以，即它们是 Arial 还是 Times New Roman，无论是从命令行还是使用 API。

我正在扫描可能有不同部分和不同字体的文档，拥有这些信息会很有用。

【参考方案1】：

Tesseract 在 ResultIterator 类中定义了一个 API WordFontAttributes 函数，您可以使用它。

【讨论】：

在最近的 Tesseract 版本中，WordFontAttributes 似乎无论如何都会返回None。 github.com/tesseract-ocr/tesseract/issues/1074

是的，我明白为什么，因为它现在使用的是神经网络。感谢您提供更多更新。

【参考方案2】：

基于nguyenq'sanswer，我编写了一个简单的python脚本，打印每个检测到的字符的字体名称。此脚本使用 python 库tesserocr。

from tesserocr import PyTessBaseAPI, RIL, iterate_level

def get_font(image_path):
    with PyTessBaseAPI() as api:
        api.SetImageFile(image_path)
        api.Recognize()
        ri = api.GetIterator()
        level = RIL.SYMBOL
    
        for r in iterate_level(ri, level):
            symbol = r.GetUTF8Text(level)
            word_attributes = r.WordFontAttributes()

            if symbol:
                 print(u'symbol , font: '.format(symbol, word_attributes['font_name']))

  get_font('logo.jpg')

【讨论】：

使用了什么配置和版本的 tesseract、tessdata 和其他依赖项？我将 word_attributes 设为 None