ubuntu 安裝 tesseract OCR 中文辨識

1. 確認 precise universe 的套件部份加入 /etc/apt/sources.list 中
2. 安裝 tesseract-ocr 套件
3. 安裝 imagemagick 套件 (執行 convert指令將用上)
4. 下載 tesseract 的繁/簡中OCR資料檔案，並解壓縮在 tessdata 目錄下


/etc/apt/sources.list 中加入下列兩行：

   deb http://tw.archive.ubuntu.com/ubuntu precise universe
   deb-src http://tw.archive.ubuntu.com/ubuntu precise universe

或是透過 add-apt-repository 

> sudo add-apt-repository "deb http://tw.archive.ubuntu.com/ubuntu precise universe"

> sudo apt-get update

> sudo apt-get install tesseract-ocr

> sudo apt-get install imagemagick

> cd /usr/share/tesseract-ocr/tessdata

> sudo wget http://tesseract-ocr.googlecode.com/files/chi_tra.traineddata.gz

> sudo wget http://tesseract-ocr.googlecode.com/files/chi_sim.traineddata.gz

> sudo gzip -f -d *.gz



1. 利用 convert 將 PDF 或 PNG 等檔案，轉換成 depth:8 , type:Grayscale 半色調的 TIFF檔
2. 執行 tesseract 進行 OCR 辨識。進行繁中OCR辨識，結果輸出至out.txt

> cd /tmp

** PNG => TIFF ==(OCR)==> TEXT

> convert source.png -type Grayscale -depth 8 out.tif

> tesseract out.tif out.txt -l chi_tra

或是

** PDF => TIFF ==(OCR)==> TEXT

> convert -density 300 source.pdf -type Grayscale -depth 8 out.tif

> tesseract out.tif out.txt -l chi_tra

或是

** PDF => PPMs => TIFFs ==(OCR)==> TEXTs => TEXT

> pdftoppm source.pdf -f 1 -l 10 -r 600 out

> for i in *.ppm; do convert $i -type Grayscale -depth 8 ${i%.*}.tif; done

> for i in *.tif; do tesseract $i ${i%.*}.txt -l chi_tra; done

> cat *.txt > out.txt

補充：

• convert 將 PDF 轉為 TIFF 時會耗費較多時間
• tesseract 之參數 -l chi_tra (繁中辨識) , -l chi_sim (簡中辨識), -l eng (英文辨識;預設)
• 結合 Hadoop Map Reduce 有很多影像應用服務可以玩了~

###