tesseract ocr for php

Tesseract OCR para PHP

Un contenedor para trabajar con Tesseract OCR dentro de PHP.

Instalación

Vía Compositor:

 $ composer require thiagoalessio/tesseract_ocr

‼ Esta biblioteca depende de Tesseract OCR, versión 3.02 o posterior.

Nota para usuarios de Windows

Hay muchas formas de instalar Tesseract OCR en su sistema, pero si solo desea que algo esté en funcionamiento rápidamente, le recomiendo instalar el paquete Capture2Text con Chocolatey.

 choco install capture2text --version 3.9

Las versiones recientes de Capture2Text dejaron de enviar el binario tesseract .

Nota para usuarios de macOS

Con MacPorts puedes instalar soporte para idiomas individuales, así:

 $ sudo port install tesseract-<langcode>

Pero eso no es posible con Homebrew. De forma predeterminada, solo viene con soporte en inglés , por lo que si pretendes usarlo en otro idioma, la solución más rápida es instalarlos todos:

 $ brew install tesseract tesseract-lang

Uso

Uso básico

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

 The quick brown fox
jumps over
the lazy dog.

Otros idiomas

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

 Bülowstraße

Múltiples idiomas

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

 I eat すし y Pollo

Inducir el reconocimiento

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

 BOSS

Rompiendo CAPTCHA

Sí, sé que algunos de ustedes tal vez quieran usar esta biblioteca con el noble propósito de romper CAPTCHA, así que eche un vistazo a este comentario:

#91 (comentario)

API

correr

Ejecuta un comando tesseract y, opcionalmente, recibe un número entero como timeout , en caso de que experimente procesos de tesseract estancados.

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

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

imagen

Define la ruta de una imagen para que tesseract la reconozca.

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

datos de imagen

Configure la imagen para que tesseract la reconozca a partir de una cadena, con su tamaño. Esto puede resultar útil cuando se trata de archivos que ya están cargados en la memoria. Puede recuperar fácilmente los datos de la imagen y el tamaño de un objeto de imagen:

 //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 ();

ejecutable

Defina una ubicación personalizada del ejecutable tesseract , si por algún motivo no está presente en $PATH .

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

versión

Devuelve la versión actual de tesseract .

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

Idiomas disponibles

Devuelve una lista de idiomas/scripts disponibles.

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

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

tessdataDir

Especifique una ubicación personalizada para el directorio tessdata.

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

palabras de usuario

Especifique la ubicación del archivo de palabras del usuario.

Este es un archivo de texto sin formato que contiene una lista de palabras que desea que tesseract considere como palabras de un diccionario normal.

Útil cuando se trata de contenidos que contienen terminología técnica, jerga, etc.

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

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

patrones de usuario

Especifique la ubicación del archivo de patrones de usuario.

Si los contenidos con los que está tratando tienen patrones conocidos, esta opción puede ayudar mucho a la precisión del reconocimiento de 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 ();

idioma

Defina uno o más idiomas que se utilizarán durante el reconocimiento. Puede encontrar una lista completa de los idiomas disponibles en: https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#languages

Consejo de @daijiale: utilice la combinación ->lang('chi_sim', 'chi_tra') para un reconocimiento adecuado del chino.

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

psm

Especifique el método de segmentación de página, que indica tesseract cómo interpretar la imagen dada.

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

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

OEM

Especifique el modo del motor OCR. (ver tesseract --help-oem )

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

ppp

Especifique el DPI de la imagen. Es útil si su imagen no contiene esta información en sus metadatos.

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

lista de permitidos

Este es un atajo para ->config('tessedit_char_whitelist', 'abcdef....') .

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

archivo de configuración

Especifique un archivo de configuración que se utilizará. Puede ser la ruta a su propio archivo de configuración o el nombre de uno de los archivos de configuración predefinidos: https://github.com/tesseract-ocr/tesseract/tree/master/tessdata/configs

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

establecer archivo de salida

Especifique un archivo de salida que se utilizará. Tenga en cuenta: si configura un archivo de salida, se ignora la opción withoutTempFiles . Los archivos temporales se escriben (y eliminan) incluso si withoutTempFiles = true .

En combinación con configFile puede obtener archivos hocr , tsv o pdf .

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

dígitos

Acceso directo para ->configFile('digits') .

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

hocr

Acceso directo para ->configFile('hocr') .

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

pdf

Acceso directo para ->configFile('pdf') .

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

tranquilo

Acceso directo para ->configFile('quiet') .

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

tsv

Acceso directo para ->configFile('tsv') .

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

TXT

Acceso directo para ->configFile('txt') .

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

DirTemp

Defina un directorio personalizado para almacenar archivos temporales generados por tesseract. Asegúrese de que el directorio realmente exista y que el usuario que ejecuta php pueda escribir allí.

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

sin archivos temporales

Especifique que tesseract debe generar el texto reconocido sin escribir en archivos temporales. En cambio, los datos se recopilan de la salida estándar de tesseract .

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

Otras opciones

Cualquier opción de configuración que ofrece Tesseract se puede utilizar así:

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

O así:

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

Más información: https://github.com/tesseract-ocr/tesseract/wiki/ControlParams

Límite de hilo

A veces, puede resultar útil limitar el número de subprocesos que tesseract puede utilizar (por ejemplo, en este caso). Establezca el número máximo de subprocesos como parámetro para la función run :

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

Como contribuir

Puedes contribuir a este proyecto mediante:

• Abrir un problema si encontró un error o desea proponer una nueva característica;
• Colocar una solicitud de extracción con código que corrija un error, documentación faltante/incorrecta o implemente una nueva característica;

Solo asegúrese de consultar nuestro Código de conducta y las instrucciones de contribución.

Licencia

tesseract-ocr-for-php se publica bajo la licencia MIT.

_{Hecho con en berlín}