使用生成的 LaTeX 文件训练 Tesseract

Question

LuaTeX因此我研究了使用的节点处理回调的选项。最适合的是pre_output_filter当页面准备好输出时调用的。我创建了名为的简单包boxes，它由两个文件组成：LaTeX 包boxes.sty和 Lua 模块boxes.lua。

盒子.sty：

\ProvidesPackage{boxes}
\RequirePackage{luacode}
\RequirePackage{kvoptions}
\DeclareStringOption[eng]{lang}
\DeclareStringOption[72]{resolution}
\DeclareStringOption[75pt]{startx}
\DeclareStringOption[67.5pt]{starty}
\ProcessKeyvalOptions*
\luaexec{%
  main_language = "\boxes@lang"
  resolution    = tonumber("\boxes@resolution")
  startx        = tex.sp("\boxes@startx")
  starty        = tex.sp("\boxes@starty")
}

\begin{luacode*}
  print("language", main_language)
  local boxes = require "boxes"
  boxes.resolution = resolution
  boxes.startx = startx
  boxes.starty = starty
    --boxes.set_name()
    luatexbase.add_to_callback("pre_output_filter", 
    function(head,info, size, pack, maxdpth) 
      local f = font.getfont(font.current())
      local fontname = f.psname or f.fullname
      local name = string.format("%s.%s.exp%i.box", main_language, fontname,0)
      local glyphs = boxes.traverse(head)
      if #glyphs > 0  then boxes.save(name, glyphs) end
      return head
    end, "Save node boxes")
\end{luacode*}
\endinput

这个文件很简单，需要注意的是包选项：

lang：处理的语言
分辨率：我还没有找到应该以哪种分辨率保存框文件，我认为使其可配置是一个好主意。默认值为 72 ppi。
startx 和 starty - 我找不到如何计算文本块左上角开头的方法，这实际上取决于使用的文档类或类似的包geometry，我希望有某种方法可以确定它，但我不知道如何。所以我们必须手动设置这些值，使用一些实验

现在lua模块boxes.lua：

local boxes = {}
boxes.resolution =  300 --72
local pt = 2 ^ 16
local uchar = unicode.utf8.char
local total_height = tex.pageheight
local pagebox = tex.pdfpagebox
local baselineskip = tex.baselineskip.width

local function round(num, idp)
  local mult = 10^(idp or 0)
  return math.floor(num * mult + 0.5) / mult
end


local function make_dimensions(glyph, x, y)
  local resolution = boxes.resolution
  local bp = (2 ^ 16) / (resolution / 72.27)
  local lx = round(x / bp)
    local ly = round((total_height - (y + glyph.depth)) / bp)
    local rx = round((x + glyph.width) / bp)
    local ry = round((total_height - (y - glyph.height)) / bp)
    return lx,ly, rx,ry
end
function boxes.traverse(head) 
  --local set = head.glue_set
    --local sign = head.glue_sign
    --local order = head.glue_order
  local resolution = boxes.resolution
  local bp = (2 ^ 16) / (resolution / 72.27)
    local glyphs = {}
    local i = 0
  for n in node.traverse(head) do
      print(n.id, n.subtype)
        if n.id == 0 then
            i = i + 1
            local set =  n.glue_set
            local sign = n.glue_sign
            local order = n.glue_order
            local height = i * baselineskip
            local nhead = n.head
            -- y is distance from page top to the current baseline
            local y = boxes.starty + height or tex.pdfvorigin + height - 4.5 * (2^16)   
            local x = boxes.startx or tex.pageleftoffset + 2.5 * (2^16) 
            for glyph in node.traverse_id(37, nhead) do
              local w, h, d = node.dimensions(set, sign, order, nhead, glyph)
                local glyph_x = x + w
                local lx,ly, rx, ry = make_dimensions(glyph, glyph_x, y)
              glyphs[#glyphs+1]={uchar(glyph.char), lx,ly,rx,ry}
            end
        end
    end
    return glyphs
end

function boxes.save(name, glyphs)
    local f = io.open(name,"w")
    for _, line in ipairs(glyphs) do
        f:write(table.concat(line,", ").. "\n")
    end
    f:close()
end

return boxes

代码非常简单：在函数中boxes.traverse我们处理行节点列表。当我们找到id0 号节点（即水平线）时，我们用增加行数和垂直位置\baselineskip。只要文本简单且没有更高级的格式（这会导致垂直空间大于 baselineskip），这种方法就会有效。但出于这个特定目的，我们可以假设只使用没有格式化的纯文本。

然后我们处理节点的子列表glyph并使用函数计算水平位置node.dimensions：

local w, h, d = node.dimensions(set, sign, order, nhead, glyph)

set，sign并order用于计算空间的大小，因为它具有可变的宽度，所以每行可能略有不同。这些值在父hlist节点中设置。w变量是从行首到当前字形的宽度。

然后我们用函数计算角色的尺寸

local function make_dimensions(glyph, x, y)
  local resolution = boxes.resolution
  local bp = (2 ^ 16) / (resolution / 72.27)
  local lx = round(x / bp)
  local ly = round((total_height - (y + glyph.depth)) / bp)
  local rx = round((x + glyph.width) / bp)
  local ry = round((total_height - (y - glyph.height)) / bp)
  return lx, ly, rx, ry
end

变量x和y是左下角坐标。因为坐标系从TeX左上角开始，但对于boxes格式，它从左下角开始，所以所有垂直尺寸都必须镜像，只需y从页面的总高度中减去计算值即可。最后，使用变量除法将计算出的尺寸插值到当前分辨率bp。

\documentclass[fontsize=12,a4paper,%headheight=0.5cm,headsepline,
parskip=half-]{scrartcl}
%\documentclass{article}
\usepackage[resolution=300]{boxes}
%\KOMAoptions{BCOR=0mm,DIV=40}

\usepackage{fontspec}
%\setmainfont{Helvetica-Compressed}
\begin{document}
\typeout{\the\baselineskip}
‘ kit Contacts Carte Type un forme ç~ avant BYW: EN monde 2001 qu'on plan image ZG 23 À+ niveau femmes příliš žluťoučký kůň úpěl ďábelské ódy. 
\end{document}

我们可以用盒子命令。它需要pbm格式的图像，可以使用pdftoppm命令创建：

lualatex sample
pdftoppm -mono -freetype yes -aa yes -r 300  sample.pdf > sample.pbm
tessboxes sample.pbm eng.LMRoman12-Regular.exp0.box > output.pbm

在此处输入图片描述

Answer 1