使用Tesseract-OCR获取可识别字符的字体

Question

是否可以使用Tesseract-OCR从命令行或使用API​​获取识别的字符的字体，即是Arial还是Times New Roman。

我正在扫描可能具有不同字体的不同部分的文档，拥有此信息将很有用。

Answer 1

根据nguyenq 的 回答，我编写了一个简单的 python 脚本，用于打印每个检测到的字符的字体名称。此脚本使用 python 库tesserocr。

from tesserocr import PyTessBaseAPI, RIL, iterate_level

def get_font(image_path):
    with PyTessBaseAPI() as api:
        api.SetImageFile(image_path)
        api.Recognize()
        ri = api.GetIterator()
        level = RIL.SYMBOL
    
        for r in iterate_level(ri, level):
            symbol = r.GetUTF8Text(level)
            word_attributes = r.WordFontAttributes()

            if symbol:
                 print(u'symbol {}, font: {}'.format(symbol, word_attributes['font_name']))

  get_font('logo.jpg')

Answer 2

Tesseract具有可WordFontAttributes在ResultIterator类中定义的API 函数。