Question

我正在尝试为python-tesseract构建一个OCR扩展，专门处理具有内部结构的数据表（例如，包含行和列的小计和总计，允许用户通过强制执行结构来提高准确性）。

我正在尝试访问置信度tesseract分配给多个结果（例如，来自无约束运行的所有结果以及来自字符限制为[0-9\.]的运行的所有结果）。

我已经看到了一些有关访问x_wconf api方法的GetHOCRText属性的信息，但是无法弄清楚如何从python api访问它。你如何调用/访问这个值？谢谢！

我在OSX 10.10.3上使用python-tesseract 0.9.1和Python 2.7。

Answer 1

修改

我实际上错了，我在考虑pytesseract，而不是python-tesseract。

如果你去查看API源代码（baseapi_mini.h），你会发现有一些功能听起来很有希望你正在尝试做什么。您感兴趣的部分大约是500行左右。

  char* GetUTF8Text();

  /**
   * Make a HTML-formatted string with hOCR markup from the internal
   * data structures.
   * page_number is 0-based but will appear in the output as 1-based.
   */
  char* GetHOCRText(int page_number);
  /**
   * The recognized text is returned as a char* which is coded in the same
   * format as a box file used in training. Returned string must be freed with
   * the delete [] operator.
   * Constructs coordinates in the original image - not just the rectangle.
   * page_number is a 0-based page index that will appear in the box file.
   */
  char* GetBoxText(int page_number);
  /**
   * The recognized text is returned as a char* which is coded
   * as UNLV format Latin-1 with specific reject and suspect codes
   * and must be freed with the delete [] operator.
   */
  char* GetUNLVText();
  /** Returns the (average) confidence value between 0 and 100. */
  int MeanTextConf();
  /**
   * Returns all word confidences (between 0 and 100) in an array, terminated
   * by -1.  The calling function must delete [] after use.
   * The number of confidences should correspond to the number of space-
   * delimited words in GetUTF8Text.
   */
  int* AllWordConfidences();

  /**
   * Applies the given word to the adaptive classifier if possible.
   * The word must be SPACE-DELIMITED UTF-8 - l i k e t h i s , so it can
   * tell the boundaries of the graphemes.
   * Assumes that SetImage/SetRectangle have been used to set the image
   * to the given word. The mode arg should be PSM_SINGLE_WORD or
   * PSM_CIRCLE_WORD, as that will be used to control layout analysis.
   * The currently set PageSegMode is preserved.
   * Returns false if adaption was not possible for some reason.
   */

https://bitbucket.org/3togo/python-tesseract/src/9ce0abe168297513d648406be5482b52d38d883b/src/baseapi_mini.h?at=master

我的原始答案

为了做到这一点，你将不得不编写自己的包装器。

python-tesseract很不错，因为它可以帮助你快速启动并运行，但这并不是我称之为复杂的东西。您可以阅读源代码并了解它的工作原理，但这里是概要：

将输入图像写入临时文件
在该文件上调用tesseract命令（来自命令行）
返回结果

因此，如果您想做任何特别的事情，这根本不会起作用。

我有一个应用程序，我需要高性能和等待文件写入磁盘所花费的时间，等待tesseract启动并加载图像并处理它，而不是太多。

如果我没记错（我不再访问源代码）我使用ctypes加载tesseract进程，设置图像数据然后调用GetHOCRText方法。然后，当我需要处理另一个图像时，我不必等待tesseract再次加载，我只是设置图像数据并再次调用GetHOCRText。

因此，这不是您问题的确切解决方案，并且它绝对不是您可以使用的代码片段。但希望它能帮助您朝着目标迈进。

这是关于包装外部库的另一个问题：Wrapping a C library in Python: C, Cython or ctypes?

获得对python-tesseract的信心

1 个答案:

修改

我的原始答案