Debian
Debian-France
Debian-Facile
Debian-fr.org
Forum-Debian.fr
Debian ?
Communautés
Vous n'êtes pas identifié(e).
L'icône rouge permet de télécharger chaque page du wiki visitée au format
PDF et la grise au format ODT →
Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
|
doc:editeurs:tesseract [02/07/2017 08:45] chalu [Scanner le document] |
doc:editeurs:tesseract [20/12/2023 09:57] (Version actuelle) spica31 [Automatisation avec des scripts] |
||
|---|---|---|---|
| Ligne 26: | Ligne 26: | ||
| Pour avoir une interface graphique en français, choisir OCRfeeder (en français) : | Pour avoir une interface graphique en français, choisir OCRfeeder (en français) : | ||
| - | <code root>apt-get ocrfeeder unpaper</code> | + | <code root>apt-get install ocrfeeder unpaper</code> |
| - | ou Imagereader (en anglais) | + | ou gimagereader (en anglais) |
| ==== Images ==== | ==== Images ==== | ||
| Ligne 35: | Ligne 35: | ||
| ===== Scanner le document ===== | ===== Scanner le document ===== | ||
| - | Vous pouvez scanner votre document pour obtenir une image avec suffisamment de qualité en utilisant le logiciel de votre choix, par exemple SimpleScan. | + | Vous pouvez scanner votre document pour obtenir une image avec suffisamment de qualité en utilisant le logiciel de votre choix, par exemple SimpleScan. Le mieux est de choisir le format png. |
| - | <note tip>L'important est de choisir une résolution assez élevée de 300 à 500 dpi.</note> | + | <note tip>L'important est de choisir une résolution assez élevée de 300 à 500 dpi, voire 600 dpi</note> |
| - | ==== Texte PDF ==== | + | ===== Reconnaissance du texte d'un fichier PDF ===== |
| - | === Convertir === | + | ==== Convertir ==== |
| On commence par convertir le fichier *.pdf en image *.png : | On commence par convertir le fichier *.pdf en image *.png : | ||
| <code user>convert -density 500 PDFtest.pdf -quality 100 test.png</code> | <code user>convert -density 500 PDFtest.pdf -quality 100 test.png</code> | ||
| - | IL y aura autant d'images en sortie que de pages du pdf nommé PDFtest.pdf. \\ | + | Il y aura autant d'images en sortie que de pages du pdf nommé PDFtest.pdf. \\ |
| Les noms de ces images seront test-0.png, test-1.png ...etc | Les noms de ces images seront test-0.png, test-1.png ...etc | ||
| Ligne 54: | Ligne 54: | ||
| Pour effectuer la reconnaissance de texte de la première image : | Pour effectuer la reconnaissance de texte de la première image : | ||
| - | <code user>tesseract test-0.png -l fra output1</code> | + | <code user>tesseract -l fra test-0.png output1</code> |
| Ici la langue du document est spécifiée avec l'option -l fra. | Ici la langue du document est spécifiée avec l'option -l fra. | ||
| - | <note tip>Si rien n'est indiquée, c'est la langue anglaise qui est utilisée (eng)</note> | + | <note tip>Si rien n'est indiqué, c'est la langue anglaise qui est utilisée (eng)</note> |
| Pour indiquer l'utilisation de deux langues par exemple français et allemand utilisez l'option : -l fra+deu. | Pour indiquer l'utilisation de deux langues par exemple français et allemand utilisez l'option : -l fra+deu. | ||
| - | Par défaut le fichier en sortie sera au format *.txt, on trouvera donc un fichier output.txt à ouvrir avec n'importe quel éditeur de texte. | + | Par défaut le fichier en sortie sera au format *.txt, on trouvera donc un fichier output1.txt à ouvrir avec n'importe quel éditeur de texte. |
| Pour effectuer la reconnaissance de texte de la deuxième image : | Pour effectuer la reconnaissance de texte de la deuxième image : | ||
| - | <code user>tesseract test-1.png -l fra output2</code> | + | <code user>tesseract -l fra test-1.png output2</code> |
| - | ==== Reconnaissance du texte d'une image ==== | + | ===== Reconnaissance du texte d'une image *png===== |
| <note important>La taille de l'image est un élément clé pour la reconnaissance des caractères</note> | <note important>La taille de l'image est un élément clé pour la reconnaissance des caractères</note> | ||
| Voir l'exemple donné dans [[https://debian-facile.org/viewtopic.php?pid=229246#p229246|ce message d'un fil du forum]] où l'on voit bien l'influence de la taille de l'image sur la reconnaissance de caractères. | Voir l'exemple donné dans [[https://debian-facile.org/viewtopic.php?pid=229246#p229246|ce message d'un fil du forum]] où l'on voit bien l'influence de la taille de l'image sur la reconnaissance de caractères. | ||
| + | ===== Automatisation avec des scripts ===== | ||
| + | On peut ajouter des actions personnalisées dans thunar (gestionnaire de fichiers de XFCE) qui permettent d'avoir avec un clic droit sur le fichier une entrée de menu permettant de choisir une action à réaliser sur ce fichier. | ||
| + | |||
| + | ==== Script sur png ==== | ||
| + | |||
| + | [[doc:programmation:shell:scripts|Le script suivant]] (avec tous ses défauts, c'est mon premier script 8-) ) permet d'effectuer la reconnaissance des caractères sur une image *.png et ouvre libreoffice (writer) pour lire ou modifier le texte. | ||
| + | <code bash>#!/bin/bash | ||
| + | tesseract -l fra "$1" "${1%%.*}" | ||
| + | lowriter "${1%%.*}.txt" | ||
| + | exit 0</code> | ||
| + | Il suffit de copier coller le texte avec mousepad (ou un autre éditeur de texte) et de l'enregistrer en lui donnant par exemple le nom PNG-2-ocr-lo. Ensuite un clic droit sur le fichier > Propriétés > Permissions pour le rendre exécutable en cochant la case ad-hoc. | ||
| + | |||
| + | Dans thunar > Editer > Configurer les actions personnalisées > clic sur le bouton pour ajouter une action. \\ | ||
| + | On complète le nom de l'action par exemple PNG 2 OCR libreoffice et on remplit la ligne de commande avec : | ||
| + | <code>/le-chemin-qui-mène-au-script/PNG-2-ocr-lo %f</code> | ||
| + | <note tip>On peut choisir une icone pour l'action.</note> | ||
| + | |||
| + | Dans l'onglet "conditions d'apparition" on coche "Fichiers image" et on complète la ligne "motif de fichiers" avec :\\ | ||
| + | *.png;*.PNG | ||
| + | |||
| + | On valide et voilà. On a l'action qui est proposée sur les fichiers *.png | ||
| + | |||
| + | ==== Script roc ==== | ||
| + | |||
| + | Exemple d'utilisation de tesseract en sélectionnant une partie de l'affichage à l'écran (page web, fichier image, etc….) | ||
| + | |||
| + | <code bash> #!/bin/bash | ||
| + | |||
| + | ## sélection d'une zone sur l'écran pour conversion ocr | ||
| + | |||
| + | ##fichier de sortie | ||
| + | sortie=/chemin/vers/zone_ocr.txt | ||
| + | |||
| + | ##choix langue (fra eng etc...) | ||
| + | langue=fra | ||
| + | |||
| + | cd ~ | ||
| + | import -quality 300 -depth 1000 ~/tmp.jpeg | ||
| + | tesseract -l $langue ~/tmp.jpeg tmp 2> /dev/null && rm -f ~/tmp.jpeg | ||
| + | cat ~/tmp.txt >> $sortie && rm -f ~/tmp.txt</code> | ||
| + | |||
| + | === Utilisation === | ||
| + | |||
| + | Le script lance un sélecteur de souris en forme de croix. Donc on sélectionne la zone que l'on veut passer à l'ocr et on retrouve (avec plus ou moins de fidélité) le texte dans le fichier indiqué dans la variable “sortie”. | ||
| + | La qualité de copie obtenue peut être réglée par les valeurs de -quality et -depth. Voir le man import. | ||
| + | A noter que le script est actuellement configuré pour ajouter, à la suite dans le même fichier, les sélections successives. | ||
| + | |||
| + | === Source : === | ||
| + | |||
| + | == Phlinux == | ||
| + | |||
| + | * [[utilisateurs:phlinux:tutos:r.o.c.-sur-une-partie-de-l-ecran]] | ||
| ===== Sources ===== | ===== Sources ===== | ||
