tesseract ocr for php

Тессеракт OCR для PHP

Обертка для работы с Tesseract OCR внутри PHP.

Установка

Через композитора:

 $ composer require thiagoalessio/tesseract_ocr

‼ Эта библиотека зависит от Tesseract OCR версии 3.02 или новее.

Примечание для пользователей Windows

Есть много способов установить Tesseract OCR в вашей системе, но если вы просто хотите, чтобы что-то быстро заработало, я рекомендую установить пакет Capture2Text с Chocolatey.

 choco install capture2text --version 3.9

В последних версиях Capture2Text прекращена поставка двоичного файла tesseract .

Примечание для пользователей MacOS

С помощью MacPorts вы можете установить поддержку отдельных языков, например:

 $ sudo port install tesseract-<langcode>

Но с Homebrew это невозможно. По умолчанию он поддерживает только английский язык , поэтому, если вы собираетесь использовать его для другого языка, самое быстрое решение — установить их все:

 $ brew install tesseract tesseract-lang

Использование

Основное использование

 use thiagoalessio  TesseractOCR  TesseractOCR ;
echo ( new TesseractOCR ( ' text.png ' ))
    -> run ();

 The quick brown fox
jumps over
the lazy dog.

Другие языки

 use thiagoalessio  TesseractOCR  TesseractOCR ;
echo ( new TesseractOCR ( ' german.png ' ))
    -> lang ( ' deu ' )
    -> run ();

 Bülowstraße

Несколько языков

 use thiagoalessio  TesseractOCR  TesseractOCR ;
echo ( new TesseractOCR ( ' mixed-languages.png ' ))
    -> lang ( ' eng ' , ' jpn ' , ' spa ' )
    -> run ();

 I eat すし y Pollo

Побуждение к признанию

 use thiagoalessio  TesseractOCR  TesseractOCR ;
echo ( new TesseractOCR ( ' 8055.png ' ))
    -> allowlist ( range ( ' A ' , ' Z ' ))
    -> run ();

 BOSS

Взлом CAPTCHA

Да, я знаю, что некоторые из вас, возможно, захотят использовать эту библиотеку для благородной цели взлома CAPTCHA, поэтому, пожалуйста, взгляните на этот комментарий:

#91 (комментарий)

API

бегать

Выполняет команду tesseract , при необходимости получая целое число в качестве timeout , на случай, если у вас возникнут зависшие процессы тессеракта.

 $ ocr = new TesseractOCR ();
$ ocr -> run ();

 $ ocr = new TesseractOCR ();
$ timeout = 500 ;
$ ocr -> run ( $ timeout );

изображение

Определите путь к изображению, которое будет распознаваться tesseract .

 $ ocr = new TesseractOCR ();
$ ocr -> image ( ' /path/to/image.png ' );
$ ocr -> run ();

данные изображения

Установите изображение, которое будет распознаваться tesseract , из строки с его размером. Это может быть полезно при работе с файлами, которые уже загружены в память. Вы можете легко получить данные изображения и размер объекта изображения:

 //Using Imagick
$ data = $ img -> getImageBlob ();
$ size = $ img -> getImageLength ();
//Using GD
ob_start ();
// Note that you can use any format supported by tesseract
imagepng ( $ img , null , 0 );
$ size = ob_get_length ();
$ data = ob_get_clean ();

$ ocr = new TesseractOCR ();
$ ocr -> imageData ( $ data , $ size );
$ ocr -> run ();

исполняемый файл

Определите собственное местоположение исполняемого файла tesseract , если по какой-либо причине он отсутствует в $PATH .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> executable ( ' /path/to/tesseract ' )
    -> run ();

версия

Возвращает текущую версию tesseract .

 echo ( new TesseractOCR ())-> version ();

Доступные языки

Возвращает список доступных языков/скриптов.

 foreach (( new TesseractOCR ())-> availableLanguages () as $ lang ) echo $ lang ;

Дополнительная информация: https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#languages-and-scripts.

tessdataDir

Укажите собственное местоположение для каталога tessdata.

 echo ( new TesseractOCR ( ' img.png ' ))
    -> tessdataDir ( ' /path ' )
    -> run ();

пользовательские слова

Укажите расположение файла пользовательских слов.

Это обычный текстовый файл, содержащий список слов, которые вы хотите, чтобы tesseract считал обычными словарными словами.

Полезно при работе с содержимым, содержащим техническую терминологию, жаргон и т. д.

 $ cat /path/to/user-words.txt
foo
bar

 echo ( new TesseractOCR ( ' img.png ' ))
    -> userWords ( ' /path/to/user-words.txt ' )
    -> run ();

пользовательские шаблоны

Укажите расположение файла пользовательских шаблонов.

Если содержимое, с которым вы имеете дело, имеет известные шаблоны, эта опция может значительно повысить точность распознавания тессеракта.

 $ cat /path/to/user-patterns.txt'
1-ddd-GOOG-441
www.n\*.com

 echo ( new TesseractOCR ( ' img.png ' ))
    -> userPatterns ( ' /path/to/user-patterns.txt ' )
    -> run ();

язык

Определите один или несколько языков, которые будут использоваться во время распознавания. Полный список доступных языков можно найти по адресу: https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#languages.

Совет от @daijiale: используйте комбинацию ->lang('chi_sim', 'chi_tra') для правильного распознавания китайского языка.

 echo ( new TesseractOCR ( ' img.png ' ))
     -> lang ( ' lang1 ' , ' lang2 ' , ' lang3 ' )
     -> run ();

псм

Укажите метод сегментации страницы, который указывает tesseract как интерпретировать данное изображение.

Дополнительная информация: https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality#page-segmentation-method.

 echo ( new TesseractOCR ( ' img.png ' ))
    -> psm ( 6 )
    -> run ();

OEM

Укажите режим механизма OCR. (см. tesseract --help-oem )

 echo ( new TesseractOCR ( ' img.png ' ))
    -> oem ( 2 )
    -> run ();

точки на дюйм

Укажите разрешение изображения. Это полезно, если ваше изображение не содержит этой информации в метаданных.

 echo ( new TesseractOCR ( ' img.png ' ))
    -> dpi ( 300 )
    -> run ();

белый список

Это ярлык для ->config('tessedit_char_whitelist', 'abcdef....') .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> allowlist ( range ( ' a ' , ' z ' ), range ( 0 , 9 ), ' -_@ ' )
    -> run ();

файл конфигурации

Укажите файл конфигурации, который будет использоваться. Это может быть либо путь к вашему собственному файлу конфигурации, либо имя одного из предопределенных файлов конфигурации: https://github.com/tesseract-ocr/tesseract/tree/master/tessdata/configs.

 echo ( new TesseractOCR ( ' img.png ' ))
    -> configFile ( ' hocr ' )
    -> run ();

setOutputFile

Укажите выходной файл, который будет использоваться. Имейте в виду: если вы задаете выходной файл, опция withoutTempFiles игнорируется. Временные файлы записываются (и удаляются), даже если withoutTempFiles = true .

В сочетании с configFile вы можете получить файлы hocr , tsv или pdf .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> configFile ( ' pdf ' )
    -> setOutputFile ( ' /PATH_TO_MY_OUTPUTFILE/searchable.pdf ' )
    -> run ();

цифры

Ярлык ->configFile('digits') .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> digits ()
    -> run ();

честь

Ярлык ->configFile('hocr') .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> hocr ()
    -> run ();

PDF

Ярлык ->configFile('pdf') .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> pdf ()
    -> run ();

тихий

Ярлык ->configFile('quiet') .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> quiet ()
    -> run ();

тсв

Ярлык ->configFile('tsv') .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> tsv ()
    -> run ();

текст

Ярлык ->configFile('txt') .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> txt ()
    -> run ();

tempDir

Определите собственный каталог для хранения временных файлов, созданных tesseract. Убедитесь, что каталог действительно существует и пользователю, использующему php разрешено писать в него.

 echo ( new TesseractOCR ( ' img.png ' ))
    -> tempDir ( ' ./my/custom/temp/dir ' )
    -> run ();

безTempFiles

Укажите, что tesseract должен выводить распознанный текст без записи во временные файлы. Вместо этого данные собираются из стандартного вывода tesseract .

 echo ( new TesseractOCR ( ' img.png ' ))
    -> withoutTempFiles ()
    -> run ();

Другие варианты

Любой вариант конфигурации, предлагаемый Tesseract, можно использовать следующим образом:

 echo ( new TesseractOCR ( ' img.png ' ))
    -> config ( ' config_var ' , ' value ' )
    -> config ( ' other_config_var ' , ' other value ' )
    -> run ();

Или вот так:

 echo ( new TesseractOCR ( ' img.png ' ))
    -> configVar ( ' value ' )
    -> otherConfigVar ( ' other value ' )
    -> run ();

Дополнительная информация: https://github.com/tesseract-ocr/tesseract/wiki/ControlParams.

Ограничение потока

Иногда может быть полезно ограничить количество потоков, которые разрешено использовать tesseract (например, в этом случае). Установите максимальное количество потоков в качестве параметра для функции run :

 echo ( new TesseractOCR ( ' img.png ' ))
    -> threadLimit ( 1 )
    -> run ();

Как внести свой вклад

Вы можете внести свой вклад в этот проект:

• Открытие проблемы, если вы обнаружили ошибку или хотите предложить новую функцию;
• Размещение запроса на включение с кодом, который исправляет ошибку, отсутствующую/неправильную документацию или реализует новую функцию;

Просто обязательно ознакомьтесь с нашим Кодексом поведения и инструкциями по участию.

Лицензия

tesseract-ocr-for-php выпускается под лицензией MIT.

_{Сделано с в Берлине}