适用于 Umi-OCR 文字识别工具 的 TesseractOCR 插件

插件说明

将本插件加载进 Umi-OCR 即可使用。

与其他插件（如PaddleOCR）相比， TesseractOCR 有这些 优点 ：

• 👍 英文语言的识别准确率高，且不易出现空格丢失现象。
• 👍 自带段落分析模型，对书籍/论文排版具有精度非常好的识别率。
• 👍 允许同时勾选多个语言库（如中文+英文+日文）进行识别。
• 👍 使用 fast 模型库时，识别速度比 Paddle 更快。

TesseractOCR 有这些 缺点 ：

• 🙁 汉字体系的语言（如中文、日文），准确率欠佳。

TesseractOCR 的 适用场景 ：

• 纯英文内容。
• 需要解析文章排版，如PDF识别时。

开始使用

对于用户

1. 下载 release 中已经打包好的插件，放入 Umi-OCR/UmiOCR-data/plugins 文件夹中。
2. 启动 Umi-OCR ，将 全局设置 → 文字识别 → 当前接口 改为 TesseractOCR ，然后 点击 应用修改 。
3. 在各个标签页（如批量OCR）中，将 设置 → 排版解析方案 改为 不做处理 ，以便启用TesseractOCR自带的排版解析模型。

对于开发者

如果您想对本插件进行二次开发，可以通过以下步骤进行安装：

1.clone 此项目到本地

2.本地建立一个独立的 python 3.8.10 x64 虚拟环境。

3.执行

pip install Pillow,pytesseract

4.将下载好的 Tesseract 程序文件夹重命名为 engine 并放在该文件夹下。

添加额外语言

release 包中内置有中英日以及数学识别语言库，如果您所需的语言不在其中，您可以前往 Tesseract_Fast 或者 Tesseract_best 寻找您所需要的语言库**.traineddata，下载后将其放入 engine/tessdata 文件夹中即可。

工程结构：

** 后缀表示本仓库(插件仓库)包含的代码文件。

其他文件请在Release包中获取。

tesseractOCR_umi_plugin
├─ __init__.py **
├─ api_tesseractocr.py **
├─ i18n.csv **
├─ tesseractocr_config.py **
├─ engine
│  └─ tesseractOCR 的核心引擎文件
└─ site-packages
    └─ tesseractOCR 的依赖库