r - 用 R 做 OCR

Question

我一直在尝试在 R 中进行 OCR(读取 PDF 数据，其中数据为扫描图像)。一直在阅读这个@ http://electricarchaeology.ca/2014/07/15/doing-ocr-within-r/

这是一个非常好的帖子。

有效的3个步骤:

将 pdf 转换为 ppm(一种图像格式)

将 ppm 转换为 tif 为 tesseract 做好准备(使用 ImageMagick 进行转换)

将 tif 转换为文本文件

根据链接帖子，上述3个步骤的有效代码:

lapply(myfiles, function(i){
  # convert pdf to ppm (an image format), just pages 1-10 of the PDF
  # but you can change that easily, just remove or edit the 
  # -f 1 -l 10 bit in the line below
  shell(shQuote(paste0("F:/xpdf/bin64/pdftoppm.exe ", i, " -f 1 -l 10 -r 600 ocrbook")))
  # convert ppm to tif ready for tesseract
  shell(shQuote(paste0("F:/ImageMagick-6.9.1-Q16/convert.exe *.ppm ", i, ".tif")))
  # convert tif to text file
  shell(shQuote(paste0("F:/Tesseract-OCR/tesseract.exe ", i, ".tif ", i, " -l eng")))
  # delete tif file
  file.remove(paste0(i, ".tif" ))
  })

前两个步骤进行得很好。 (虽然花了很多时间，对于 pdf 的 4 页，但稍后会研究可扩展性部分，首先尝试是否可行)

运行此程序时，前两步工作正常。

在运行第三步时，即

shell(shQuote(paste0("F:/Tesseract-OCR/tesseract.exe ", i, ".tif ", i, " -l eng")))

我有这个错误:

Error: evaluation nested too deeply: infinite recursion / options(expressions=)?

或者 Tesseract 正在崩溃。

任何解决方法或根本原因分析将不胜感激。

Answer 1

通过使用“tesseract”，我创建了一个有效的示例脚本。即使它也适用于扫描的 PDF。

library(tesseract)
library(pdftools)

# Render pdf to png image

img_file <- pdftools::pdf_convert("F:/gowtham/A/B/invoice.pdf", format = 'tiff',  dpi = 400)

# Extract text from png image
text <- ocr(img_file)
write.table(text, "F:/gowtham/A/B/mydata.txt")

我是 R 和编程的新手。如果错了请指导我。希望这对你有帮助。