小知识：在 Linux 上使用 gImageReader 从图像和 PDF 中提取文本

gImageReader 是一个 GUI 工具，用于在 Linux 中利用 Tesseract OCR 引擎从图像和 PDF 文件中提取文本。

gImageReader 是 Tesseract 开源 OCR 引擎的一个前端。Tesseract 最初是由 HP 公司开发的，然后在 2006 年开源。

基本上，OCR（光学字符识别）引擎可以让你从图片或文件（PDF）中扫描文本。默认情况下，它可以检测几种语言，还支持通过 Unicode 字符扫描。

然而，Tesseract 本身是一个没有任何 GUI 的命令行工具。因此，gImageReader 就来解决这点，它可以让任何用户使用它从图像和文件中提取文本。

让我重点介绍一些有关它的内容，同时说下我在测试期间的使用经验。

gImageReader：一个跨平台的 Tesseract OCR 前端

为了简化事情，gImageReader 在从 PDF 文件或包含任何类型文本的图像中提取文本时非常方便。

无论你是需要它来进行拼写检查还是翻译，它都应该对特定的用户群体有用。

以列表总结下功能，这里是你可以用它做的事情：

从磁盘、扫描设备、剪贴板和截图中添加 PDF 文档和图像 能够旋转图像 常用的图像控制，用于调整亮度、对比度和分辨率。 直接通过应用扫描图像 能够一次性处理多个图像或文件 手动或自动识别区域定义 识别纯文本或 hOCR 文档 编辑器显示识别的文本 可对对提取的文本进行拼写检查 从 hOCR 文件转换/导出为 PDF 文件 将提取的文本导出为 .txt 文件 跨平台（Windows）

在 Linux 上安装 gImageReader

注意：你需要安装 Tesseract 语言包，才能从软件管理器中的图像/文件中进行检测。

你可以在一些 Linux 发行版如 Fedora 和 Debian 的默认仓库中找到 gImageReader。

对于 Ubuntu，你需要添加一个 PPA，然后安装它。要做到这点，下面是你需要在终端中输入的内容：

sudo add–apt–repository ppa:sandromani/gimagereader sudo apt update sudo apt install gimagereader

你也可以从 openSUSE 的构建服务中找到它，Arch Linux 用户可在 AUR 中找到。

所有的仓库和包的链接都可以在他们的 GitHub 页面中找到。

gImageReader 使用经验

当你需要从图像中提取文本时，gImageReader 是一个相当有用的工具。当你尝试从 PDF 文件中提取文本时，它的效果非常好。

对于从智能手机拍摄的图片中提取，检测很接近，但有点不准确。也许当你进行扫描时，从文件中识别字符可能会更好。

所以，你需要亲自尝试一下，看看它是否对你而言工作良好。我在 Linux Mint 20.1（基于 Ubuntu 20.04）上试过。

我只遇到了一个从设置中管理语言的问题，我没有得到一个快速的解决方案。如果你遇到此问题，那么可能需要对其进行故障排除，并进一步了解如何解决该问题。

除此之外，它工作良好。

试试吧，让我知道它是如何为你服务的！

原文地址：https://linux.cn/article-13205-1.html