Question

我正在寻找一种方法（通过tesseract-3）将文件（PNG输入文件）顺序添加到OCR的PDF中。想法是扫描PNG，对其进行优化（optipng），然后通过流将其馈送到tesseract，然后将其添加到不断增长的PDF中。两次扫描之间的时间为20-40秒，并且扫描进入数百次，这就是为什么我要使用两次扫描之间的等待时间来进行OCR的原因。

我想这可以像这样工作：

while ! $finished
do
  get_scanned_image_to_png_named_scannumber
  optipng $scannumber.png
  check_for_finishing_condition #all this works fine already
  sleep 30s
  #do some magic piping into a single tesseract instance here
done #or here?

灵感来自于此：

https://github.com/tesseract-ocr/tesseract/wiki/FAQ#how-to-ocr-streaming-images-to-pdf-using-tesseract

非常感谢您提供任何提示

Joost

编辑：

操作系统：OpenSuse Tumbleweed

扫描：一系列“图像获取”中的更多结果导致每个PNG（不是真正的扫描仪）；至少要持续几个小时。

跟进：做这种事

while ! $finished
do
  get_scanned_image_to_png_named_scannumber
  optipng $scannumber.png
  check_for_finishing_condition #all this works fine already
  sleep 30s

  echo "$capnum.png"

done | tesseract -l deu+eng -c stream_filelist=true - Result pdf

，但是当您尝试在两次扫描之间打开PDF或通过例如停止此循环时，PDF已损坏。 Ctrl-C。我没有找到获取未损坏的PDF的方法。

Answer 1

尝试一下：

while ! $finished
do
  get_scanned_image_to_png_named_scannumber
  optipng $scannumber.png
  check_for_finishing_condition #all this works fine already
  sleep 30s
done | tesseract -c stream_filelist=true - - pdf > output.pdf

如何通过循环将多个文件传输到tesseract-ocr

1 个答案: