OCR en Linux

Estándar

Estos días me puse a pasar unas hojas de estadística a formato ODT y lo mas frustrante es copiar todas esas lineas a la computadora y mas cuando tu velocidad con el teclado no es nada rapida, lo mejor es usar un software que se encargue de eso, y precisamente para eso esta Tesseract, Tesseract es un motor OCR libre. Fue desarrollado originalmente por HP como software propietario. Tras diez años sin ningún desarrollo fue liberado, Tesseract es desarrollado actualmente por Google.

Este programa trabaja desde consola y en verdad es muy potente y preciso solo necesitamos:

-tesseract-ocr
-imagemagick

Es realmente sencillo de usar, pero hay que convertir tus imagenes.tif, mi scaner guarda las imágenes en formato png asi que me toca convertir de esta manera:

convert img.png imagen.tif

eso nos agregara un archivo llamado imagen.tif, excelente para trabajar, ahora solo hay que convertir a texto su contenido, esto se logra con estas lineas

tesseract imagen.tif documento.txt

y listo, tendremos nuestro archivo con el texto de la imagen.

Pero… ¿que pasa si tengo muchas imágenes… tengo que convertirlas una por una?
asi es, pero es mas facil de lo que crees, lo mejor es ponerlas todas en un solo directorio y hacer esto:

for k in $(ls *.jpg); do convert $k $k.tif; done

esas lineas cambiaran el formato de todas tus imágenes .jpg, si están en otro formato solo es cosa de cambiar a la extención que tienes, y la siguiente es para que todas las pase a texto de una vez.

for i in *.tif;do tesseract $i $i ; done

Listo ya esta tus hojas a texto, es importante mencionar que si tienes imágenes te va a poner caracteres raros en esa área, pero solo es cosa de borrar esos caracteres y listo 🙂

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s