Error de ejecución de Tesseract

Tengo un problema con la ejecución del motor tesseract-ocr en Linux. Descargué los datos del idioma RUS y los puse en el directorio tessdata (/ usr / local / share / tessdata). Cuando intento ejecutar tesseract con el comando tesseract blob.jpg out -l rus, muestra un error:

Error opening data file /usr/local/share/tessdata/eng.traineddata

Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.

Failed loading language eng
Tesseract couldn't load any languages!

Could not initialize tesseract.

Según la guía de compilación , solía export TESSDATA_PREFIX='/usr/local/share/' señalar mi directorio tessdata. ¿Quizás debería editar algún archivo de configuración? Tesseract intenta cargar archivos de datos 'eng' en lugar de 'rus'.

Captura de pantalla: http://i.stack.imgur.com/I0Guc.png

Puedes agarrar eng.traineddataGithub:

wget https://github.com/tesseract-ocr/tessdata/raw/master/eng.traineddata

Consulte https://github.com/tesseract-ocr/tessdata para obtener una lista completa de datos de idiomas entrenados.

Cuando tome los archivos, muévalos a la /usr/local/share/tessdatacarpeta. Advertencia: algunas distribuciones de Linux (como openSUSE y Ubuntu) pueden esperarlo en su /usr/share/tessdatalugar.

# If you got the data from Google, unzip it first!
gunzip eng.traineddata.gz 
# Move the data
sudo mv -v eng.traineddata /usr/local/share/tessdata/

La forma más sencilla es instalar el paquete necesario:

sudo apt-get install tesseract-ocr-eng  #for english
sudo apt-get install tesseract-ocr-tam  #for tamil
sudo apt-get install tesseract-ocr-deu  #for deutsch (German)

Como puede observar, abre el camino a otros idiomas (es decir, tesseract-ocr-fra).

También tuve este error en la máquina con Windows.

Mi solución.

1) Descargue sus archivos de idioma desde https://github.com/tesseract-ocr/tessdata/tree/3.04.00

Por ejemplo, para eng, descargué todos los archivos con el prefijo eng.

2) Colóquelos en el directorio tessdata dentro de alguna carpeta. Agregue esta carpeta a las variables de ruta del sistema como TESSDATA_PREFIX .

El resultado será System env var: TESSDATA_PREFIX = D: / Java / OCR Y la carpeta OCR tiene tessdata con archivos de idiomas.

Esta es una captura de pantalla del directorio:

Ninguna solución anterior funcionó para mí.

He instalado tanto mediante la apt-getdescarga manual de tessdata como la descarga manual, me he movido /usry así sucesivamente y nadie funcionó incluso si exporté la variable miles de veces.

Finalmente, en un último intento antes de comenzar a llorar, intenté pasar la ruta directamente a la instancia de Tesseract ().

En Python: tr = Tesseract("/usr/local/share/tesseract-ocr/")y ahora funciona. Para aclarar, estoy usando tesserwrapmodule.

tesseract  --tessdata-dir <tessdata-folder> <image-path> stdout --oem 2 -l <lng>

En mi caso, los errores que cometí o los intentos que no fueron un éxito.

• Cloné el repositorio de github y copié archivos desde allí a
  • / usr / local / share / tessdata /
  • / usr / share / tesseract-ocr / tessdata /
  • / usr / share / tessdata /
• Usado TESSDATA_PREFIXcon los caminos anteriores
• sudo apt-get install tesseract-ocr-eng

Los primeros 2 intentos no funcionaron porque los archivos de git cloneno funcionaron por razones que no conozco. No estoy seguro de por qué el intento n. ° 3 funcionó para mí.

Finalmente,

1. Descargué el archivo eng.traindata usando wget
2. Lo copié en algún directorio
3. Usado --tessdata-dircon el nombre del directorio

Para mí, aprender bien la herramienta y hacer uso de ella , en lugar de depender de la instalación y los directorios del administrador de paquetes

Puede llamar a la función de la API de tesseract desde el código C:

#include <tesseract/baseapi.h>
#include <tesseract/ocrclass.h>; // ETEXT_DESC

using namespace tesseract;

class TessAPI : public TessBaseAPI {
    public:
    void PrintRects(int len);
};

...
TessAPI *api = new TessAPI();
int res = api->Init(NULL, "rus");
api->SetAccuracyVSpeed(AVS_MOST_ACCURATE);
api->SetImage(data, w0, h0, bpp, stride);
api->SetRectangle(x0,y0,w0,h0);

char *text;
ETEXT_DESC monitor;
api->RecognizeForChopTest(&monitor);
text = api->GetUTF8Text();
printf("text: %s\n", text);
printf("m.count: %s\n", monitor.count);
printf("m.progress: %s\n", monitor.progress);

api->RecognizeForChopTest(&monitor);
text = api->GetUTF8Text();
printf("text: %s\n", text);
...
api->End();

Y construye este código:

g++ -g -I. -I/usr/local/include -o _test test.cpp -ltesseract_api -lfreeimageplus

(necesito FreeImage para cargar imágenes)

Estoy usando Visual Studio 2017 Community Edition. Resolví
este problema creando un directorio llamado tessdata en el directorio Debug de mi proyecto. Luego puse el archivo eng.traineddata en dicho directorio.

Estoy usando el sistema operativo Windows, probé todas las soluciones anteriores y ninguna de ellas funciona.

Finalmente, instalo Tesseract-OCR en la unidad D (desde donde ejecuto mi script de Python) en lugar de la unidad C y funciona.

Entonces, si está usando Windows, ejecute su script de Python en la misma unidad que su Tesseract-OCR.

Desarrollador de C # trabajando en Windows aquí. Lo que me funciona es simplemente descargar el archivo eng.traineddata de la siguiente URL:

https://github.com/tesseract-ocr/tessdata/blob/master/eng.traineddata

y cópielo en el siguiente directorio en mi proyecto de aplicación de consola:

[Directorio del proyecto] \ bin \ Debug \ tessdata

Creé manualmente la carpeta tessdata anterior.

Para usuarios de Windows:

En Variables de entorno, agregue una nueva variable en la variable del sistema con el nombre "TESSDATA_PREFIX" y el valor es "C: \ Archivos de programa (x86) \ Tesseract-OCR \ tessdata"

tessdata_dir_config = r'--tessdata-dir "/usr/local/Cellar/tesseract/4.1.1/share/tessdata"'
pytesseract.image_to_string(imgCrop,lang='eng',config=tessdata_dir_config)