我想從 .jpg 和 .png 檔案中提取 Unicode 字元。
我嘗試使用以下命令來完成此操作：
tesseract 1.png output.txt
該命令適用於英文字符，但當我嘗試使用印地語、馬拉地語或梵文腳本等 Unicode 時，它會產生錯誤的輸出。
是否有任何選項可以使用 OCR 將 Unicode (Devanagari) 腳本提取到文字檔案？
答案1
有沒有提取 Unicode 腳本的選項？
當我嘗試使用印地語、馬拉地語或梵文腳本等 Unicode 時，它會產生錯誤的輸出。
看來只有Hindi開箱即用的支援。
您需要使用以下-l lang選項：
tesseract 1.png output.txt -l hin
您可以訓練 tesseract 識別其他語言，例如Marathi, 或Devanagari。
看如何使用提供的工具為新語言訓練 Tesseract 3.0x
TESSERACT(1) 手冊頁
選項
…
-l lang要使用的語言。如果未指定，則假定為英文。可以指定多種語言，並以加號分隔。 Tesseract 使用 3 字元 ISO 639-2 語言代碼。 （參見語言）
…
語言
目前有適用於以下語言的語言包：
ara（阿拉伯語）、aze（亞塞拜然語）、bul（保加利亞語）、cat（加泰隆尼亞語）、ces（捷克語）、chi_sim（簡體中文）、chi_tra（繁體中文）、chr（切羅基語）、dan（丹麥語）、dan-frak (丹麥語(Fraktur))、deu（德語）、ell（希臘語）、eng（英語）、enm（古英語）、epo（世界語）、est（愛沙尼亞語）、fin（芬蘭語）、fra（法語）、frm（古法語）、glg（加利西亞語）、heb（希伯來語）、hin（印地語）、hrv（克羅埃西亞語）、 hun（匈牙利語）、ind（印尼語）、ita（義大利語）、jpn（日語）、kor（韓語）、lav （拉脫維亞語）、lit（立陶宛語）、nld（荷蘭語）、nor（挪威語）、pol（波蘭語）、por（葡萄牙語）、ron（羅馬尼亞語）、rus（俄語）、slk（斯洛伐克語）、slv（斯洛維尼亞語）、sqi （阿爾巴尼亞語）、spa（西班牙語）、srp （塞爾維亞語）、swe（瑞典語）、tam（泰米爾語）、tel（泰盧固語）、tgl（他加祿語）、tha（泰語）、tur（土耳其語）、ukr（烏克蘭語） 、vie （越南語）
要使用名為 foo.traineddata 的非標準語言包，請設定 TESSDATA_PREFIX 環境變量，以便可以在 TESSDATA_PREFIX/tessdata/foo.traineddata 中找到該文件，並為 Tesseract 提供參數 -l foo。