Tesseract ist eine optische Zeichenerkennungs-Engine, die zum Extrahieren von Text aus Bildern verwendet wird. Sie kann in Python über die Bibliothek py tesseract aufgerufen werden. Hier erfahren Sie, was Sie wissen müssen.
Pytesseract ist eine Python-Bibliothek , die eine Schnittstelle zur optischen Zeichenerkennungs-Engine (OCR) von Tesseract bereitstellt . OCR ist eine Technologie zum Erkennen und Extrahieren von Text aus Bildern , gescannten Dokumenten oder anderen visuellen Medien.
Was ist Python Tesseract?
Tesseract ist eine von Google entwickelte Open-Source-OCR-Engine und gilt allgemein als eine der genauesten verfügbaren OCR-Engines.
Pytesseract ist eine nützliche Python-Bibliothek, die eine Schnittstelle zur Tesseract OCR-Engine bietet. Sie verarbeitet das Eingabebild zunächst vor, um dessen Qualität zu verbessern. Anschließend untersucht sie die Anordnung/Ausrichtung der Seite, um Textblöcke, Absätze und Zeichen zu bestimmen. Durch das Abgleichen von Mustern in den segmentierten Bereichen erkennt Tesseract einzelne Zeichen durch eine Kombination aus maschinellem Lernen und herkömmlichen Bildverarbeitungsansätzen . Um die Genauigkeit zu erhöhen und viele Sprachen zu verarbeiten, verwendet sie Sprachmodelle. Nach der Identifizierung werden Nachbearbeitungsvorgänge wie Rechtschreibprüfung und Fehlerkorrektur verwendet, um die Ergebnisse zu verbessern.
Um Text effektiv erkennen zu können, wird Tesseract, die OCR-Engine, die pytesseract zugrunde liegt, anhand sprachspezifischer Datensätze trainiert. Sie bietet Unterstützung für mehrere Sprachen und wird mit Trainingsdatensätzen geliefert, die für jede Sprache spezifisch sind.
So installieren Sie Tesseract in Python
Die Installation von pytesseract ist nicht einfach und die richtige Installation kann sehr verwirrend sein. Beginnen wir mit den grundlegenden Schritten zur Installation.
Zuerst müssen Sie Tesseract OCR und dann das Python-Paket pytesseract installieren.
Für Windows :
Für Linux (Ubuntu/Debian):
Dies sind die ersten und grundlegenden Schritte zur Installation von pytesseract.
Dennoch können während der Installationsphase einige Probleme auftreten. Im Folgenden finden Sie einige Schritte, mit denen Sie diese Probleme beheben können.
PROBLEM 1: ModuleNotFoundError
Dies ist ein Hinweis darauf, dass im System kein Pytesseract vorhanden ist. Als Erstes führen Sie eine einfache Installation von Pytesseract durch, wie wir es für andere Bibliotheken tun.
So können Sie die benötigten Module installieren:
Dies erfolgt in einem Schritt: Installieren Sie das pytesseractModul:
PROBLEM 2: Die ausführbare Datei path_to_tesseract befindet sich nicht in Ihrem PATH
Dies kann ein kniffliger Fehler sein. Das pytesseractModul erfordert, dass die Tesseract OCR-Engine im PATH Ihres Systems installiert und zugänglich ist. Der Fehler zeigt an, dass die Tesseract OCR-Engine in Ihrem PATH nicht gefunden wird. Sie müssen sie zu Ihren ENV-Variablen des Systems hinzufügen.
Um dies zu beheben, befolgen Sie diese Schritte. Installieren Sie zuerst die Tesseract OCR-Engine.
Laden Sie die Tesseract OCR-Engine aus dem offiziellen Repository herunter und installieren Sie sie . Windows-Benutzer müssen das Installationsprogramm aus einer anderen Quelle herunterladen .
Nach der Installation von Tesseract müssen Sie dessen Installationsverzeichnis zur Umgebungsvariable PATH Ihres Systems hinzufügen. Dieser Schritt variiert je nach Betriebssystem.
Für Windows
Während der Installation von Tesseract besteht möglicherweise die Möglichkeit, es zum PATH hinzuzufügen. Wenn Sie diese Option verpasst haben, können Sie den Tesseract-Installationspfad manuell zu Ihrem PATH hinzufügen. Normalerweise wird es in installiert C:\Program Files\Tesseract-OCR or C:\Program Files (x86)\Tesseract-OCR.
Befolgen Sie diese Schritte, um es zum PATH hinzuzufügen:
Suchen Sie zunächst in der Windows-Suchleiste nach „Umgebungsvariablen“. Sie finden „ Systemvariable bearbeiten “ .
Klicken Sie anschließend im Fenster „Systemeigenschaften“ auf die Schaltfläche „Umgebungsvariablen“.
Suchen Sie unter „Systemvariablen“ die Variable „ Pfad “, wählen Sie sie aus und klicken Sie auf die Schaltfläche „ Bearbeiten “.
Klicken Sie auf die Schaltfläche „Neu“ und fügen Sie den Pfad zum Tesseract-Installationsverzeichnis hinzu, z. B. C:\Program Files\Tesseract-OCR.
Klicken Sie dann auf „ OK “, um die Änderungen zu speichern mistral ai.
Für MacOS und Linux
Für macOS und Linux kann der Installationspfad variieren. Normalerweise finden Sie Tesseract installiert unter /usr/bin/tesseract oder /usr/local/bin/tesseract. So fügen Sie es zu Ihrem PATH hinzu:
- Öffnen Sie ein Terminalfenster.
- Bearbeiten Sie Ihre Shell-Profilkonfigurationsdatei (z. B. ~/.bashrc, ~/.bash_profile, ~/.zshrc, usw.) mit einem Texteditor wie nano oder vim .
- Fügen Sie am Ende der Datei die folgende Zeile hinzu, um den korrekten Pfad zur ausführbaren Tesseract-Datei anzugeben:
- Speichern Sie die Datei und schließen Sie den Texteditor.
- Führen Sie den Befehl source ~/.bashrcoder die jeweilige Profildatei, die Sie bearbeitet haben, aus, um die Änderungen auf Ihre aktuelle Terminalsitzung anzuwenden.
Wenn die Installation erfolgreich war, sollten Sie die Tesseract-Versionsinformationen sehen.
Jetzt können Sie mit dem folgenden Befehl überprüfen, ob pytesseractes funktioniert oder nicht.
Überprüfen Sie PIP-Installationen
Öffnen Sie ein Terminal oder eine Eingabeaufforderung und geben Sie den folgenden Befehl ein:
Für Conda (Anaconda/Miniconda)-Installationen öffnen Sie eine Terminal- oder Anaconda-Eingabeaufforderung und geben den folgenden Befehl ein
Wenn Pytesseract über Conda installiert ist, listet der Befehl die Paketdetails auf. Wenn es nicht installiert ist, wird eine Meldung angezeigt, dass das Paket nicht gefunden wurde.
Vorteile von Python Tesseract
Tesseracts bietet eine Reihe von Vorteilen. Tesseracts ist ein beliebtes Tool mit starker Community-Unterstützung. Tesseracts wird häufig aktualisiert, um die Kompatibilität mit den neuesten Python-Versionen sowie verschiedenen Versionen anderer Bibliotheken sicherzustellen. Diese Version enthält auch eine Änderung des Funktionsprinzips von Pytesseract.
Sie können mehrere Seitensegmentierungsmodi (PSMs) verwenden, die Sie beim Scannen von Dokumenten oder Bildern in die Richtung leiten, aus der Sie Text extrahieren möchten.
Tesseracts kann auch zum Identifizieren von Textwinkeln verwendet werden, was in vielen Szenarien von Vorteil ist. Pytesserect verfügt über verschiedene konfigurierbare Optionen wie Spracheinstellungen und Konfigurationsoptionen, die Ihnen dabei helfen, den gewünschten Text perfekt aus Bildern zu extrahieren.
