gImageReader:从PDF和图像文件中导出文字(Tesseract OCR图形界面版

gImageReader是tesseract-ocr的一个GTK图形前端。如图:

gimagereader

Tesseract是一个OCR引擎,它可以识别图形中的文字。但不带文档输出分析,没有输出格式和图形用户界面。

gImageReader可以从图像或PDF文件中导出文字。它支持列选择和部分文档的功能,也可以打开多页面的PDF或图像文件,支持所有的图形格式,能只转化选定区域的文字。

可选项:在UBUNTU 10.04和10.10中安装Tesseract OCR 3.0 SVN

尽管Tesseract OCR 3.0仍在开发中,但比现在的稳定版要好很多。而且这个PPA中还包括很多语言包,所以,尽管这是一个可选项,仍然强力推荐。

警告:安装完最新版Tesseract之后要马上禁用这个PPA源,因为它还包含一些很有风险的程序包。

添加PPA源并安装Tesseract OCR 3.0 SVN:

sudo add-apt-repository ppa:alex-p/notesalexp

 

sudo apt-get update

 

sudo apt-get install tesseract-ocr

这个源中还包含了一些其他的语言包,比如德文,法文之类的(可惜没有中文)。在新立得中搜索tesseract-ocr,找到你需要的语言包,安装即可。

现在,需要禁用这个PPA,按ALT + F2,输入:

gksu software-properties-gtk

然后,在“其它软件”选项卡中找到”http://ppa.launchpad.net/alex-p/notesalexp”这一行,去掉前面的勾或者直接删除它。

gImageReader

gImageReader既可以在LINUX中使用也可以在WINDOWS中使用。可以在这里下载(.deb, .rpm 或 .exe 文件都有)

安装之后,选择你想要转化成文本的PDF或图像,如果转化整个文件就点击”Recognize all”,如果不是,用鼠标选中你想转化的那一部分点击”Recognize selection”

如果PDF文件或图像文件对应的语言包尚未安装,gImageReader会自动探测语言。

转自Ubuntu之家 {www.ubuntuhome.com},原文地址http://www.ubuntuhome.com/gimagereader-extract-text-from-pdf-or-image.html

 

Advertisements


发表评论

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / 更改 )

Twitter picture

You are commenting using your Twitter account. Log Out / 更改 )

Facebook photo

You are commenting using your Facebook account. Log Out / 更改 )

Google+ photo

You are commenting using your Google+ account. Log Out / 更改 )

Connecting to %s