Tesseract带有表或行的文档的OCR文本顺序

Question

我正在使用Tesseract OCR将扫描的PDF转换为纯文本。总体而言，它非常有效，但我对扫描文本的顺序有疑问。具有表格数据的文档似乎逐列扫描，这似乎是逐行扫描的更自然的方式。一个非常小的例子是：

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

产生以下文字：

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，暴力方法，但如果有人已经解决了类似的问题，我将非常感谢有关修复的见解。它也可能是一些训练数据，但我不确切知道它是如何工作的。

Answer 1

尝试在单个列Page Segmentation Modes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。如果您只是想要使用-psm参数尝试OCR小区域尝试不同的分段模式。请注意，在文本过于紧缩的情况下添加白色边框也会有所帮助，请参阅问题398.

     

要查看支持的网页分割模式的完整列表，请使用tesseract -h。这是从3.21开始的 [ed：excerpt only] 列表：

     

  
1. 全自动页面分割，但没有OSD。 （默认）
  
2. 假设一列可变大小的文本。
  
3. 假设一个垂直对齐文本的统一块。
  
4. 假设一个统一的文本块。
  

请参阅此处的示例：#using-different-page-segmentation-modes

Answer 2

我知道这是一个古老的问题，但是我一直在努力解决类似的问题，并发现hOCR输出是解决方案。正在运行

tesseract input.tif output-filename hocr

将创建output-file.hocr（基本上是HTML），该坐标为每个短语的边界框提供坐标。由您决定如何从这些数据中重建表格（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可能有助于适当地对表的短语进行分组，但是坐标将提供所需的精确结果。

Answer 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' )