我只是通过bash脚本使用tesseract。我终于提出了所有设置，这些设置几乎可以完美地识别我的文字。但是，我似乎无法一起使用所有选项。我的命令如下：
$ tesseract infile.tif outputbase --psm 6 -c tosp_min_sane_kn_sp=0.0;tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/\
我需要白名单，因为tesseract正在拾取一些小写字符，奇怪字符（例如日元符号）和其他奇怪字符。我的图像不包含这些字符，并且由于我的文档非常简单，所以我认为将确实存在的字符列入白名单会更容易。此外，图像采用“表格”格式（没有任何线条或边框），并且tesseract仅拾取较大的空间（分隔各列），而不拾取列中单词之间的单独空间。将tosp值设置为0似乎可以解决该问题。
现在的问题是，tesseract不会同时使用这两个-c参数，但是手册页明确指出可以使用多个-c参数！
我也尝试过以下方法：
my_config_file
tosp_min_sane_kn_sp 0.0
tessedit_char_whitelist ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/\
$ tesseract infile.tif outputbase --psm 6 my_config_file
配置文件保存在正确的目录中，但是一次只能再次使用一个选项。如果这两个选项都在配置文件中，则似乎忽略了tosp_min_sane_kn_sp 0.0。如果我删除其中一个，则另一个起作用。
我在这里拔头发，并且要解决此问题，方法是运行两次OCR，然后将两个文件与awk脚本合并。但是，我真的不想这样做，因为它明显效率较低，而且我不喜欢在不能保证以我所用的100％格式格式化OCR时尝试使用awk的想法。将不得不假设我潜在的awk脚本。
请帮助！
编辑：
我忘了提到我确实试图传递多个-c选项。不用猜测分号之间的各种字段分隔符对我来说最有意义，因为我知道tesseract是用C ++编写的，它使用分号来表示行的结尾。我知道C ++不会被解释，但这似乎很有意义。现在我离题了。 。
此外，我还尝试过将白名单放在引号中的建议，但这没什么区别。我真的很激动，因为我什至没有想到这一点，但是即使我自己运行一个-c参数，tesseract似乎也无法识别引用。
答案 0 :(得分：0)
您不能将多个参数传递给单个-c选项，尤其是不能用分号分隔。我没有tesseract，但是我很确定您需要为要设置的每个配置变量传递一个单独的-c选项：
tesseract infile.tif outputbase --psm 6 -c tosp_min_sane_kn_sp=0.0 -c 'tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/\'
（我还将第二个变量设置括在单引号中，因此外壳程序不会尝试解释反斜杠。如果没有引号，它将转义换行符，因此下一行将被视为这个。）
原始问题的解释：当Shell看到分号（并且不在引号或转义符中）时，Shell会将其视为命令分隔符。因此，它将行视为两个完全独立的命令（由于反斜杠，下一行合并在一起）：
tesseract infile.tif outputbase --psm 6 -c tosp_min_sane_kn_sp=0.0
tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/ <whatever's on the next line of the file>
第一个运行tesseract并带有一个-c选项，第二个创建一个名为tessedit_char_whitelist的shell变量。而且即使您引用或转义了它，所以分号也传递给了tesseract，我怀疑它不会像您希望的那样将其视为分隔符。