Question

我正在使用tesseract执行一些OCR操作。我为此编写了一个简单的python包装器。问题是我在结束文本文件中的句子之间出现了不必要的行差距，我需要以编程方式删除它。例如：

1 tbsp peanut or corn oil, plus a little
extra for Cooking the scallops

2 tbsp bottled mild or medium Thai
green curry paste
2 tbsp water

2 tsp light soy sauce

请注意一些线间距 - 我需要删除。如果您遇到类似问题，请分享一些提示。谢谢。

这是包装器：

from PIL import Image
import subprocess
import os
from wand.image import Image
import markdown2
from textblob import TextBlob

import util
import errors

tesseract_exe = "tesseract" # Name of executable to be called at command line
scratch_text_name_root = "temp" # Leave out the .txt extension
cleanup_scratch_flag = True # Temporary files cleaned up after OCR operation
pagesegmode = "-psm 0"


def call_tesseract(input_file, output_file):
    args = [tesseract_exe, input_file, output_file, pagesegmode]
    proc = subprocess.Popen(args)
    retcode = proc.wait()
    if retcode !=0:
        errors.check_for_errors()


def retrieve_text(scratch_text_name_root):
    inf = file(scratch_text_name_root + '.txt')
    text = inf.read()
    inf.close()
    return text

def write_to_file(filename, string):
    File = open(filename, 'w')
    File.write(string)
    File.close()


def image_to_string(filename):
    try:
        call_tesseract(filename, scratch_text_name_root)
        text = retrieve_text(scratch_text_name_root)
    finally:
        try:
            os.remove(scratch_text_name_root)
        except OSError:
            pass

        return text    

filename = "book/0001.bin.png"
text = image_to_string(filename)
print "writing to file"
write_to_file("0002.bin.txt", text)

Answer 1

我不确定为什么tesseract会给你这些空行，但也许一个简单的解决方法可以帮助你：

只需删除这些空行即可。有很多方法可以做到这一点，例如：https://stackoverflow.com/a/3711884/4175009

或在这里：

https://stackoverflow.com/a/2369474/4175009

这些解决方案都假设您逐行读取文件。

我喜欢这个solution，因为你可以在你完成的字符串中干净地使用它，它可以处理行结尾的操作系统差异（\ n，\ n \ r \ n，\ r \ n）。

python tesseract结果给出了句子之间不必要的额外线间隙

1 个答案: