我想从 .jpg 和 .png 文件中提取 Unicode 字符。
我尝试使用以下命令来做到这一点：
tesseract 1.png output.txt
该命令适用于英文字符，但是当我尝试将它用于 Unicode（如印地语、马拉地语或梵文脚本）时，它会产生错误的输出。
是否有任何选项可以使用 OCR 将 Unicode（梵文）脚本提取到文本文件中？
当我尝试使用 Unicode（如印地语、马拉地语或梵文脚本）时，它会产生错误的输出。
似乎仅Hindi支持开箱即用。
您需要使用来使用该-l lang选项：
tesseract 1.png output.txt -l hin
您可以训练 tesseract 来识别其他语言，例如Marathi, 或Devanagari。
请参阅如何使用提供的工具为新语言训练 Tesseract 3.0x
选项
...
-l lang要使用的语言。如果没有指定，则假定为英语。可以指定多种语言，用加号分隔。Tesseract 使用 3 个字符的 ISO 639-2 语言代码。（见语言）
...
语言
目前有适用于以下语言的语言包：
ara（阿拉伯语）、aze（阿塞拜疆语）、bul（保加利亚语）、cat（加泰罗尼亚语）、ces（捷克语）、chi_sim（简体中文）、chi_tra（繁体中文）、chr（切诺基语）、dan（丹麦语）、dan-frak （丹麦语（Fraktur））、deu（德语）、ell（希腊语）、eng（英语）、enm（古英语）、epo（世界语）、est（爱沙尼亚语）、fin（芬兰语）、fra（法语）、frm（古法语）、glg（加利西亚语）、heb（希伯来语）、hin（印地语）、hrv（克罗地亚语）、hun（匈牙利语）、ind（印度尼西亚语）、ita（意大利语）、jpn（日语）、kor（韩语）、lav （拉脱维亚语）、lit（立陶宛语）、nld（荷兰语）、nor（挪威语）、pol（波兰语）、por（葡萄牙语）、ron（罗马尼亚语）、rus（俄语）、slk（斯洛伐克语）、slv（斯洛文尼亚语）、sqi （阿尔巴尼亚语）、spa（西班牙语）、srp（塞尔维亚语）、swe（瑞典语）、tam（泰米尔语）、tel（泰卢固语）、tgl（他加禄语）、tha（泰语）、tur（土耳其语）、ukr（乌克兰语）、vie （越南语）
要使用名为 foo.traineddata 的非标准语言包，请设置 TESSDATA_PREFIX 环境变量，以便可以在 TESSDATA_PREFIX/tessdata/foo.traineddata 中找到该文件，并为 Tesseract 提供参数 -l foo。
| 归档时间： |
|
| 查看次数： |
1544 次 |
| 最近记录： |