我想从 .jpg 和 .png 文件中提取 Unicode 字符。
我尝试使用以下命令来执行此操作：
tesseract 1.png output.txt
该命令适用于英文字符，但当我尝试将其用于印地语、马拉地语或天城文等 Unicode 时，它产生了错误的输出。
是否有任何选项可以使用 OCR 将 Unicode（天城文）脚本提取到文本文件？
答案1
有没有提取 Unicode 脚本的选项？
当我尝试将其用于印地语、马拉地语或天城文等 Unicode 时，它产生了错误的输出。
看起来只有Hindi开箱即用才受支持。
您需要使用该-l lang选项：
tesseract 1.png output.txt -l hin
您可以训练 tesseract 来识别其他语言Marathi，例如 或Devanagari。
看如何使用提供的工具来训练 Tesseract 3.0x 以适应新语言
TESSERACT(1) 手册页
选项
...
-l lang要使用的语言。如果未指定，则假定使用英语。可以指定多种语言，以加号分隔。Tesseract 使用 3 个字符的 ISO 639-2 语言代码。（参见语言）
...
语言
目前有以下语言的语言包可用：
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 (切罗基语)、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 找到该文件，并为 Tesseract 提供参数 -l foo。