Title: Extracción de texto desde una imagen usando Tesseract-OCR Date: 2017-04-20T04:03:08+00:00 Description: Extracción de texto desde una imagen usando Tesseract-OCR Tags: Extraccion de Informacion
Hace tiempo escribí un post sobre Boilerpipe, una herramienta para extraer texto de documentos html. Hoy mostraré Tesseract Un OCR.
Primero definamos OCR:
O ptical C haracter R ecognizer
Cuyo nombre traduce Reconocedor Óptico de Caracteres. Su principal objetivo es transformar imágenes que contengan texto en texto.
Su instalación es bastante sencilla:
Ubuntu:
sudo apt install tesseract-ocr
OSX:
brew install tesseract
La ejecución del aplicativo es sencilla:
tesseract image.jpg -l spa outputtext.txt
Donde la bandera -l nos indica el lenguaje.
Si queremos transformar la imagen a un idioma que no esté presente por defecto, podemos decargar los modelos de lenguajes compilados del este repositorio, y añadimos el argumento --tessdata-dir que apuntará a la carpeta que contenga el modelo de lenguaje
tesseract image.jpg --tessdata-dir /ruta/a/tessdata/ -l spa outputtext.txt