tesseract ocr for php

Tesseract OCR untuk PHP

Pembungkus untuk bekerja dengan Tesseract OCR di dalam PHP.

Instalasi

Melalui Komposer:

 $ composer require thiagoalessio/tesseract_ocr

‼ Pustaka ini bergantung pada Tesseract OCR, versi 3.02 atau lebih baru.

Catatan untuk pengguna Windows

Ada banyak cara untuk menginstal Tesseract OCR di sistem Anda, tetapi jika Anda hanya ingin sesuatu yang cepat aktif dan berjalan, saya sarankan menginstal paket Capture2Text dengan Chocolatey.

 choco install capture2text --version 3.9

Versi terbaru Capture2Text menghentikan pengiriman biner tesseract .

Catatan untuk pengguna macOS

Dengan MacPorts Anda dapat menginstal dukungan untuk masing-masing bahasa, seperti:

 $ sudo port install tesseract-<langcode>

Namun hal itu tidak mungkin dilakukan dengan Homebrew. Ini hanya hadir dengan dukungan bahasa Inggris secara default, jadi jika Anda ingin menggunakannya untuk bahasa lain, solusi tercepat adalah menginstal semuanya:

 $ brew install tesseract tesseract-lang

Penggunaan

Penggunaan dasar

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

 The quick brown fox
jumps over
the lazy dog.

Bahasa lainnya

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

 Bülowstraße

Berbagai bahasa

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

 I eat すし y Pollo

Mendorong pengakuan

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

 BOSS

Melanggar CAPTCHA

Ya, saya tahu beberapa dari Anda mungkin ingin menggunakan perpustakaan ini untuk tujuan mulia yaitu memecahkan CAPTCHA, jadi silakan lihat komentar ini:

#91 (komentar)

API

berlari

Menjalankan perintah tesseract , secara opsional menerima bilangan bulat sebagai timeout , jika Anda mengalami proses tesseract terhenti.

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

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

gambar

Tentukan jalur gambar yang akan dikenali oleh tesseract .

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

data gambar

Atur gambar agar dikenali oleh tesseract dari sebuah string, beserta ukurannya. Ini bisa berguna saat menangani file yang sudah dimuat di memori. Anda dapat dengan mudah mengambil data gambar dan ukuran objek gambar :

 //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 ();

dapat dieksekusi

Tentukan lokasi khusus dari tesseract yang dapat dieksekusi, jika karena alasan apa pun lokasi tersebut tidak ada di $PATH .

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

versi

Mengembalikan versi tesseract saat ini.

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

Bahasa yang tersedia

Mengembalikan daftar bahasa/skrip yang tersedia.

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

Info lebih lanjut: https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#linguals-and-scripts

tessdataDir

Tentukan lokasi khusus untuk direktori tessdata.

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

kata pengguna

Tentukan lokasi file kata pengguna.

Ini adalah file teks biasa yang berisi daftar kata yang ingin Anda anggap sebagai kata kamus normal oleh tesseract .

Berguna ketika berhadapan dengan konten yang mengandung terminologi teknis, jargon, dll.

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

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

pola pengguna

Tentukan lokasi file pola pengguna.

Jika konten yang Anda hadapi memiliki pola yang diketahui, opsi ini dapat sangat membantu akurasi pengenalan 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 ();

bahasa

Tentukan satu atau lebih bahasa yang akan digunakan selama pengenalan. Daftar lengkap bahasa yang tersedia dapat ditemukan di: https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#linguals

Kiat dari @daijiale: Gunakan kombinasi ->lang('chi_sim', 'chi_tra') untuk pengenalan bahasa Mandarin yang tepat.

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

psm

Tentukan Metode Segmentasi Halaman, yang menginstruksikan tesseract cara menafsirkan gambar yang diberikan.

Info lebih lanjut: https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality#page-segmentation-method

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

oem

Tentukan Mode Mesin OCR. (lihat tesseract --help-oem )

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

dpi

Tentukan DPI gambar. Hal ini berguna jika gambar Anda tidak berisi informasi ini dalam metadatanya.

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

daftar yang diizinkan

Ini adalah jalan pintas untuk ->config('tessedit_char_whitelist', 'abcdef....') .

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

file konfigurasi

Tentukan file konfigurasi yang akan digunakan. Ini bisa berupa jalur ke file konfigurasi Anda sendiri atau nama salah satu file konfigurasi yang telah ditentukan sebelumnya: https://github.com/tesseract-ocr/tesseract/tree/master/tessdata/configs

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

setOutputFile

Tentukan File Output yang akan digunakan. Hati-hati: Jika Anda menyetel file keluaran maka opsi withoutTempFiles diabaikan. Tempfiles ditulis (dan dihapus) meskipun withoutTempFiles = true .

Dalam kombinasi dengan configFile Anda bisa mendapatkan file hocr , tsv atau pdf .

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

angka

Pintasan untuk ->configFile('digits') .

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

hocr

Pintasan untuk ->configFile('hocr') .

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

pdf

Pintasan untuk ->configFile('pdf') .

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

diam

Pintasan untuk ->configFile('quiet') .

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

tv

Pintasan untuk ->configFile('tsv') .

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

txt

Pintasan untuk ->configFile('txt') .

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

tempDir

Tentukan direktori khusus untuk menyimpan file sementara yang dihasilkan oleh tesseract. Pastikan direktori tersebut benar-benar ada dan pengguna yang menjalankan php diperbolehkan untuk menulis di sana.

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

tanpaTempFiles

Tentukan bahwa tesseract harus menampilkan teks yang dikenali tanpa menulis ke file sementara. Data dikumpulkan dari keluaran standar tesseract .

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

Pilihan lain

Opsi konfigurasi apa pun yang ditawarkan oleh Tesseract dapat digunakan seperti itu:

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

Atau seperti itu:

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

Info lebih lanjut: https://github.com/tesseract-ocr/tesseract/wiki/ControlParams

Batas benang

Terkadang, mungkin berguna untuk membatasi jumlah thread yang diizinkan untuk digunakan oleh Tesseract (misalnya dalam kasus ini). Tetapkan jumlah maksimum thread sebagai parameter untuk fungsi run :

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

Bagaimana cara berkontribusi

Anda dapat berkontribusi pada proyek ini dengan:

• Membuka Masalah jika Anda menemukan bug atau ingin mengusulkan fitur baru;
• Menempatkan Permintaan Tarik dengan kode yang memperbaiki bug, dokumentasi yang hilang/salah, atau mengimplementasikan fitur baru;

Pastikan Anda membaca Pedoman Perilaku dan instruksi Berkontribusi kami.

Lisensi

tesseract-ocr-for-php dirilis di bawah Lisensi MIT.

_{Dibuat dengan di Berlin}