Ubuntu下的ocr文字识别（pdf、tif等）

平时使用扫描件或者pdf查看文档，但是在ipad上当文字比较小的时候不能有效放大，过着每次阅读需要移动屏幕，十分不方便，为此想将pdf或者图片中的文字截取出来，可以有效处理，当然需要ocr技术了，现在我们就来考虑和解决这个问题。1、技术准备：os为 linux mint 13（基于Ubuntu 12.04的）ocr软件：tesseract，执行文件为tesseract gocrpdf处理软件：pdftoxxx，比如pdftotext等tiff处理如案件：比如tiff2pdf等等2、安装软件sudo apt-get install gocrsudo apt-get install tesseract-ocrsudo apt-get install libtiff-tools对于tesseract需要设置语言包，可以在观望上下载具体中文语言包，比如简体的就是chi_sim,然后加入到一个环境变量中mv chi_sim.traineddata /usr/local/share/tessdata export TESSDATA_PREFIX=/usr/local/share/ 3、tif文件转文字 tif-->text直接使用tesseract即可，如下：tesseract a.tif a.txt -l chi_sim以上支持多页单文件tif4、pdf文件转文字 pdf-->text如果pdf本来就是文字格式的，那么很简单，直接转换即可pdftotext a.pdf a.txt如果pdf内部内容是图片，则无法通过以上方法去的内容，首相将pdf转换成为ppm，然后从ppm装换为文字：pdf-->多个ppm-->多个txtpdf2ppm a.pdf a产生a1.ppm，a2.ppm.....然后通过tesseract转换tesseract a1.tif a1.txt -l chi_simLinux中find命令使用Linux Mount Windows域用户限制的共享文件夹相关资讯 Ubuntu系统教程

联想超极本Ubuntu系统无法开启无线（04/11/2015 06:36:35）
Ubuntu 更改文件夹权限（02/04/2013 21:00:15）
去除DVSDK中的Ubuntu版本限制（01/29/2013 09:04:07）

Ubuntu下映射网络驱动器（07/05/2013 20:10:25）
Ubuntu创建桌面快捷方式（02/01/2013 15:53:27）
Ubuntu 12.04下快捷键截图谷歌插件（12/28/2012 10:53:36）

本文评论查看全部评论（1）

评论声明

尊重网上道德，遵守中华人民共和国的各项有关法律法规
承担一切因您的行为而直接或间接导致的民事或刑事法律责任
本站管理人员有权保留或删除其管辖留言中的任意内容