tesseract ocr for php

Tesseract OCR สำหรับ PHP

wrapper เพื่อทำงานร่วมกับ Tesseract OCR ภายใน PHP

การติดตั้ง

ผ่านผู้แต่ง:

 $ composer require thiagoalessio/tesseract_ocr

- ไลบรารีนี้ขึ้นอยู่กับ Tesseract OCR เวอร์ชัน 3.02 หรือใหม่กว่า

หมายเหตุสำหรับผู้ใช้ Windows

มีหลายวิธีในการติดตั้ง Tesseract OCR บนระบบของคุณ แต่หากคุณต้องการบางสิ่งในการเริ่มต้นและใช้งานอย่างรวดเร็ว ฉันขอแนะนำให้ติดตั้งแพ็คเกจ Capture2Text ด้วย Chocolatey

 choco install capture2text --version 3.9

Capture2Text เวอร์ชันล่าสุดหยุดจัดส่งไบนารี tesseract

หมายเหตุสำหรับผู้ใช้ macOS

ด้วย MacPorts คุณสามารถติดตั้งการรองรับสำหรับแต่ละภาษาได้ เช่น:

 $ sudo port install tesseract-<langcode>

แต่นั่นเป็นไปไม่ได้กับ Homebrew โดยค่าเริ่มต้นจะมาพร้อมกับการรองรับ ภาษาอังกฤษ เท่านั้น ดังนั้นหากคุณตั้งใจจะใช้ภาษาอื่น วิธีแก้ปัญหาที่เร็วที่สุดคือติดตั้งทั้งหมด:

 $ brew install tesseract tesseract-lang

การใช้งาน

การใช้งานขั้นพื้นฐาน

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

 The quick brown fox
jumps over
the lazy dog.

ภาษาอื่นๆ

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

 Bülowstraße

หลายภาษา

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

 I eat すし y Pollo

กระตุ้นให้เกิดการรับรู้

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

 BOSS

ทำลาย CAPTCHA

ใช่ ฉันรู้ว่าพวกคุณบางคนอาจต้องการใช้ไลบรารีนี้เพื่อจุดประสงค์ อันสูงส่ง ในการทำลาย CAPTCHA ดังนั้นโปรดอ่านความคิดเห็นนี้:

#91 (ความเห็น)

เอพีไอ

วิ่ง

ดำเนินการคำสั่ง tesseract โดยสามารถเลือกรับจำนวนเต็มเป็นการ timeout ในกรณีที่คุณประสบปัญหากระบวนการ tesseract หยุดทำงาน

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

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

ภาพ

กำหนดเส้นทางของภาพที่จะรับรู้โดย tesseract

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

ข้อมูลรูปภาพ

ตั้งค่ารูปภาพให้รับรู้โดย tesseract จากสตริงพร้อมขนาดของรูปภาพ สิ่งนี้มีประโยชน์เมื่อจัดการกับไฟล์ที่โหลดไว้ในหน่วยความจำแล้ว คุณสามารถดึงข้อมูลรูปภาพและขนาดของวัตถุรูปภาพได้อย่างง่ายดาย:

 //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 ();

ปฏิบัติการได้

กำหนดตำแหน่งที่กำหนดเองของไฟล์ปฏิบัติการ tesseract หากไม่มีอยู่ใน $PATH ไม่ว่าจะด้วยเหตุผลใดก็ตาม

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

รุ่น

คืนค่า tesseract เวอร์ชันปัจจุบัน

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

ภาษาที่มีอยู่

ส่งคืนรายการภาษา/สคริปต์ที่ใช้ได้

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

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

tessdataDir

ระบุตำแหน่งที่กำหนดเองสำหรับไดเร็กทอรี tessdata

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

userWords

ระบุตำแหน่งของไฟล์คำของผู้ใช้

นี่คือไฟล์ข้อความธรรมดาที่มีรายการคำที่คุณต้องการให้ถือเป็นคำในพจนานุกรมปกติโดย tesseract

มีประโยชน์เมื่อต้องจัดการกับเนื้อหาที่มีคำศัพท์ทางเทคนิค ศัพท์เฉพาะ ฯลฯ

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

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

รูปแบบผู้ใช้

ระบุตำแหน่งของไฟล์รูปแบบผู้ใช้

หากเนื้อหาที่คุณกำลังจัดการมีรูปแบบที่ทราบ ตัวเลือกนี้สามารถช่วยให้การรู้จำของ tesseract มีความแม่นยำได้มาก

 $ 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 ();

หลาง

กำหนดภาษาอย่างน้อยหนึ่งภาษาที่จะใช้ในระหว่างการจดจำ สามารถดูรายการภาษาทั้งหมดได้ที่: https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#languages

เคล็ดลับจาก @daijiale: ใช้ชุดค่าผสม ->lang('chi_sim', 'chi_tra') เพื่อให้จดจำภาษาจีนได้อย่างเหมาะสม

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

PSM

ระบุวิธีการแบ่งส่วนหน้า ซึ่งจะสั่ง tesseract วิธีตีความรูปภาพที่กำหนด

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

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

OEM

ระบุโหมดเครื่องยนต์ OCR (ดู tesseract --help-oem )

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

จุดต่อนิ้ว

ระบุ DPI ของภาพ จะมีประโยชน์หากรูปภาพของคุณไม่มีข้อมูลนี้ในข้อมูลเมตา

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

รายการที่อนุญาต

นี่คือทางลัดสำหรับ ->config('tessedit_char_whitelist', 'abcdef....')

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

configFile.config

ระบุไฟล์กำหนดค่าที่จะใช้ อาจเป็นเส้นทางไปยังไฟล์ปรับแต่งของคุณเองหรือชื่อของหนึ่งในไฟล์ปรับแต่งที่กำหนดไว้ล่วงหน้า: https://github.com/tesseract-ocr/tesseract/tree/master/tessdata/configs

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

setOutputFile

ระบุไฟล์เอาท์พุตที่จะใช้ ระวัง: หากคุณตั้งค่าไฟล์เอาท์พุต ตัวเลือก withoutTempFiles จะถูกละเว้น Tempfiles จะถูกเขียน (และลบ) แม้ว่า withoutTempFiles = true

เมื่อใช้ร่วมกับ configFile คุณจะสามารถรับไฟล์ hocr , tsv หรือ pdf ได้

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

ตัวเลข

ทางลัดสำหรับ ->configFile('digits')

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

hocr

ทางลัดสำหรับ ->configFile('hocr')

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

pdf

ทางลัดสำหรับ ->configFile('pdf')

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

เงียบ

ทางลัดสำหรับ ->configFile('quiet')

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

ทีเอสวี

ทางลัดสำหรับ ->configFile('tsv')

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

ข้อความ

ทางลัดสำหรับ ->configFile('txt')

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

tempDir

กำหนดไดเร็กทอรีที่กำหนดเองเพื่อจัดเก็บไฟล์ชั่วคราวที่สร้างโดย tesseract ตรวจสอบให้แน่ใจว่าไดเร็กทอรีนั้นมีอยู่จริง และผู้ใช้ที่ใช้งาน php ได้รับอนุญาตให้เขียนลงไปได้

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

ไม่มีTempFiles

ระบุว่า tesseract ควรส่งออกข้อความที่รู้จักโดยไม่ต้องเขียนลงในไฟล์ชั่วคราว ข้อมูลจะถูกรวบรวมจากเอาต์พุตมาตรฐานของ tesseract แทน

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

ตัวเลือกอื่นๆ

ตัวเลือกการกำหนดค่าใด ๆ ที่ Tesseract นำเสนอสามารถใช้ได้ดังนี้:

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

หรือเช่นนั้น:

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

ข้อมูลเพิ่มเติม: https://github.com/tesseract-ocr/tesseract/wiki/ControlParams

ขีดจำกัดของเธรด

บางครั้ง อาจเป็นประโยชน์ในการจำกัดจำนวนเธรดที่ tesseract ได้รับอนุญาตให้ใช้ (เช่น ในกรณีนี้) ตั้งค่าจำนวนเธรดสูงสุดเป็นพารามิเตอร์สำหรับฟังก์ชัน run :

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

วิธีการมีส่วนร่วม

คุณสามารถมีส่วนร่วมในโครงการนี้โดย:

• การเปิดปัญหาหากคุณพบข้อบกพร่องหรือต้องการเสนอคุณสมบัติใหม่
• การวาง Pull Request ด้วยโค้ดที่แก้ไขจุดบกพร่อง เอกสารที่ขาดหายไป/ไม่ถูกต้อง หรือใช้คุณลักษณะใหม่

เพียงให้แน่ใจว่าคุณได้ดูหลักจรรยาบรรณและคำแนะนำในการมีส่วนร่วมของเรา

ใบอนุญาต

tesseract-ocr-for-php ได้รับการเผยแพร่ภายใต้ใบอนุญาต MIT

_{ทำด้วย ในกรุงเบอร์ลิน}