Créer un environnement OCR japonais avec Anaconda (tesseract + pyocr)

Aperçu

Créez un environnement OCR avec Anaconda seul Je ne sais pas à quel point c'est difficile, alors je cherche un moyen facile.

environnement

Windows10 Anaconda Python 3.6 Spyder 4.1.2

À propos de Tesseract et Pyocr

Après enquête, il semble y avoir une méthode de tesseract + pyocr pour OCR avec Python, donc J'ai décidé d'essayer cette méthode

tesseract Il s'agit d'un moteur OCR (reconnaissance optique de caractères) en cours de développement par Google. La version 4.0 ou ultérieure étant basée sur le machine learning LSTM, Compte tenu du taux de reconnaissance, la dernière version semble être bonne

pyocr Encapsuleur d'outil OCR pour Python Prend également en charge tesseract

référence

Créez un environnement uniquement avec Anaconda et essayez Python + OCR https://qiita.com/anzanshi/items/9ee94affecd74be33159

Je l'ai utilisé comme référence, mais j'étais un peu accro à cause de la différence d'environnement.

Installation de tesseract

Il semble y avoir plusieurs façons, mais cette fois je vais l'installer avec Anaconda

tesseract était dans le référentiel conda-forge https://anaconda.org/conda-forge/tesseract

Installez docilement (v4.1.1 à partir du 14 avril 2020) conda install -c conda-forge tesseract

Installez pyocr

C'est un référentiel rarement vu appelé brianjmcguirk ...? https://anaconda.org/brianjmcguirk/pyocr

Ceci est également installé docilement (c'est actuellement v0.5) conda install -c brianjmcguirk pyocr

Essayez d'exécuter le code sur la page officielle

Reportez-vous à l'article ci-dessus et vérifiez avec le code sur la page officielle

from PIL import Image
import sys

import pyocr
import pyocr.builders

tools = pyocr.get_available_tools()
if len(tools) == 0:
    print("No OCR tool found")
    sys.exit(1)
# The tools are returned in the recommended order of usage
tool = tools[0]
print("Will use tool '%s'" % (tool.get_name()))
# Ex: Will use tool 'libtesseract'

langs = tool.get_available_languages()
print("Available languages: %s" % ", ".join(langs))
lang = langs[0]
print("Will use lang '%s'" % (lang))
# Ex: Will use lang 'fra'
# Note that languages are NOT sorted in any way. Please refer
# to the system locale settings for the default language
# to use.

Et le résultat de l'exécution est

Résultat d'exécution

Will use tool 'Tesseract (sh)'
Available languages: eng, osd
Will use lang 'eng'

Ce sera. Tel qu'il est écrit, le japonais n'est pas encore OCR en anglais uniquement.

Création d'un environnement OCR japonais

Maintenant, faisons l'OCR en japonais

Télécharger les données apprises

Téléchargez jpn.traineddata à partir d'ici Il semble que l'endroit ait changé par rapport à l'ancien temps, donc c'était un peu difficile à trouver. https://github.com/tesseract-ocr/tessdoc/blob/master/Data-Files.md

Notez que les données diffèrent selon la version! (J'ai fait une erreur une fois ...)

Mettez-le au bon endroit

C'est aussi un peu gênant ... Dans mon environnement / Anaconda3 / envs / (nom de l'environnement) / Library / bin / tessdata J'ai pu le lire quand je l'ai mis en dessous (Il existe déjà eng.traineddata et osd.traineddata)

Il existe également un répertoire tessdata sous (nom de l'environnement), Il semble que cela ne lira pas

Ré-exécuter

Exécutez à nouveau le code sur la page officielle

Résultat d'exécution

Will use tool 'Tesseract (sh)'
Available languages: eng, jpn, osd
Will use lang 'eng'

"Jpn" a également été ajouté correctement Ensuite, je lirai le japonais

↓ Image de test

txt = tool.image_to_string(
    Image.open('test.png'),
    lang="jpn",
    builder=pyocr.builders.TextBuilder(tesseract_layout=6)
)
print( txt )

Résultat d'exécution

raise TesseractError(status, errors)
pyocr.error.TesseractError: (1, b"Error, unknown command line argument '-psm'\r\n")

Une erreur inattendue s'est produite ... Cela a également été utile pour l'article de la personne qui a eu une erreur similaire https://xkage.com/python-ocr.html

tesseract.pyとbuilders.py J'ai pu réécrire "-psm" dans "--psm"

Courez à nouveau

txt = tool.image_to_string(
    Image.open('test.png'),
    lang="jpn",
    builder=pyocr.builders.TextBuilder(tesseract_layout=6)
)
print( txt )

Résultat d'exécution

Test de test

l'a fait!

Résumé

Vous pouvez créer un environnement avec Anaconda, mais j'y suis assez accro car il y a moins d'informations que ce à quoi je m'attendais. Eh bien, je vais jouer dur avec l'OCR

Supplément

Il existe également des informations selon lesquelles pyocr ne peut pas être utilisé si la version python est 3.7. Il semble sûr de créer un environnement avec 3.6