tesseract ocr for php

Tesseract OCR لـ PHP

غلاف للعمل مع Tesseract OCR داخل PHP.

تثبيت

عبر الملحن:

 $ composer require thiagoalessio/tesseract_ocr

‼ تعتمد هذه المكتبة على Tesseract OCR الإصدار 3.02 أو الأحدث.

ملاحظة لمستخدمي ويندوز

هناك العديد من الطرق لتثبيت Tesseract OCR على نظامك، ولكن إذا كنت تريد فقط تشغيل شيء سريعًا، فإنني أوصي بتثبيت حزمة Capture2Text مع Chocolatey.

 choco install capture2text --version 3.9

توقفت الإصدارات الأخيرة من Capture2Text عن شحن الملف الثنائي tesseract .

ملاحظة لمستخدمي نظام التشغيل MacOS

باستخدام MacPorts، يمكنك تثبيت الدعم للغات الفردية، كما يلي:

 $ sudo port install tesseract-<langcode>

ولكن هذا غير ممكن مع Homebrew. يأتي مع دعم اللغة الإنجليزية فقط بشكل افتراضي، لذلك إذا كنت تنوي استخدامه للغة أخرى، فإن الحل الأسرع هو تثبيتها جميعًا:

 $ brew install tesseract tesseract-lang

الاستخدام

الاستخدام الأساسي

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

 The quick brown fox
jumps over
the lazy dog.

لغات أخرى

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

 Bülowstraße

لغات متعددة

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

 I eat すし y Pollo

الحث على الاعتراف

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

 BOSS

كسر اختبار CAPTCHA

نعم، أعلم أن البعض منكم قد يرغب في استخدام هذه المكتبة لغرض نبيل وهو كسر اختبارات CAPTCHA، لذا يرجى إلقاء نظرة على هذا التعليق:

رقم 91 (تعليق)

واجهة برمجة التطبيقات

يجري

ينفذ أمر tesseract ، ويتلقى اختياريًا عددًا صحيحًا كـ timeout ، في حالة مواجهة عمليات tesseract المتوقفة.

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

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

صورة

تحديد مسار الصورة التي سيتم التعرف عليها بواسطة tesseract .

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

imageData

قم بتعيين الصورة ليتم التعرف عليها بواسطة tesseract من سلسلة بحجمها. يمكن أن يكون هذا مفيدًا عند التعامل مع الملفات المحملة بالفعل في الذاكرة. يمكنك بسهولة استرداد بيانات الصورة وحجم كائن الصورة:

 //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 ();

قابل للتنفيذ

حدد موقعًا مخصصًا للملف القابل للتنفيذ tesseract ، إذا لم يكن موجودًا لأي سبب من الأسباب في $PATH .

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

إصدار

إرجاع الإصدار الحالي من tesseract .

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

اللغات المتاحة

إرجاع قائمة باللغات/النصوص المتاحة.

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

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

tessdataDir

حدد موقعًا مخصصًا لدليل tessdata.

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

كلمات المستخدم

حدد موقع ملف كلمات المستخدم.

هذا ملف نصي عادي يحتوي على قائمة بالكلمات التي تريد اعتبارها كلمات قاموس عادية بواسطة tesseract .

مفيد عند التعامل مع المحتويات التي تحتوي على مصطلحات فنية، أو مصطلحات، وما إلى ذلك.

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

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

userPatterns

حدد موقع ملف أنماط المستخدم.

إذا كانت المحتويات التي تتعامل معها لها أنماط معروفة، فيمكن أن يساعد هذا الخيار كثيرًا في دقة التعرف على tesseract.

 $ 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 ();

لانج

حدد لغة واحدة أو أكثر لاستخدامها أثناء التعرف. يمكن العثور على قائمة كاملة باللغات المتاحة على: https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#languages

نصيحة من @daijiale: استخدم المجموعة ->lang('chi_sim', 'chi_tra') للتعرف الصحيح على اللغة الصينية.

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

psm

حدد طريقة تجزئة الصفحة، التي ترشد tesseract إلى كيفية تفسير الصورة المحددة.

مزيد من المعلومات: https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality#page-segmentation-method

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

تصنيع المعدات الأصلية

حدد وضع محرك التعرف الضوئي على الحروف. (انظر tesseract --help-oem )

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

نقطة في البوصة

حدد الصورة DPI. يكون ذلك مفيدًا إذا كانت صورتك لا تحتوي على هذه المعلومات في بياناتها الوصفية.

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

القائمة المسموح بها

هذا اختصار لـ ->config('tessedit_char_whitelist', 'abcdef....') .

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

ملف التكوين

حدد ملف التكوين الذي سيتم استخدامه. يمكن أن يكون إما المسار إلى ملف التكوين الخاص بك أو اسم أحد ملفات التكوين المحددة مسبقًا: https://github.com/tesseract-ocr/tesseract/tree/master/tessdata/configs

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

setOutputFile

تحديد ملف الإخراج المطلوب استخدامه. انتبه: إذا قمت بتعيين ملف إخراج، فسيتم تجاهل الخيار withoutTempFiles . تتم كتابة (وحذف) ملفات Tempfiles حتى لو كان withoutTempFiles = true .

بالاشتراك مع configFile يمكنك الحصول على ملفات hocr أو tsv أو pdf .

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

أرقام

اختصار لـ ->configFile('digits') .

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

com.hocr

اختصار لـ ->configFile('hocr') .

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

قوات الدفاع الشعبي

اختصار لـ ->configFile('pdf') .

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

هادئ

اختصار لـ ->configFile('quiet') .

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

tsv

اختصار لـ ->configFile('tsv') .

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

رسالة قصيرة

اختصار لـ ->configFile('txt') .

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

tempDir

قم بتحديد دليل مخصص لتخزين الملفات المؤقتة التي تم إنشاؤها بواسطة tesseract. تأكد من وجود الدليل بالفعل وأنه مسموح للمستخدم الذي يقوم بتشغيل php بالكتابة هناك.

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

بدون ملفات مؤقتة

حدد أن tesseract يجب أن يقوم بإخراج النص الذي تم التعرف عليه دون الكتابة إلى الملفات المؤقتة. يتم جمع البيانات من الإخراج القياسي لـ tesseract بدلاً من ذلك.

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

خيارات أخرى

يمكن استخدام أي خيار تكوين تقدمه Tesseract على النحو التالي:

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

أو هكذا:

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

مزيد من المعلومات: https://github.com/tesseract-ocr/tesseract/wiki/ControlParams

الحد من الموضوع

في بعض الأحيان، قد يكون من المفيد تحديد عدد سلاسل الرسائل التي يُسمح لـ tesseract باستخدامها (على سبيل المثال، في هذه الحالة). قم بتعيين الحد الأقصى لعدد سلاسل الرسائل كمعلمة لوظيفة run :

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

كيفية المساهمة

يمكنكم المساهمة في هذا المشروع من خلال:

• فتح مشكلة إذا وجدت خطأً أو كنت ترغب في اقتراح ميزة جديدة؛
• تقديم طلب سحب يحتوي على رمز يعمل على إصلاح خطأ أو وثائق مفقودة/خاطئة أو تنفيذ ميزة جديدة؛

فقط تأكد من إلقاء نظرة على قواعد السلوك وتعليمات المساهمة الخاصة بنا.

رخصة

تم إصدار tesseract-ocr-for-php بموجب ترخيص MIT.

_{صنع مع في برلين}