Linux извличане на текст от изображение и PDF файлове

 

В Linux средата има няколко много добри софтуерни инструмента, които могат да се използват за тази цел. Една от многобройните програми от подобен род е gImageReader.Това е безплатно приложение, което работи с най-различни формати на изображенията, както и с PDF документи.

Какво представлява gImageReader?

Накратко gImageReader е приложение, което дава възможност за извличане на текстовете от снимки, изображения и PDF файлове в Linux среда.Това е безплатен OCR софтуер с отворен код, който е един от най-добрите механизми за разпознаване на текст.

С помощта на gImageReader е възможно лесното и достатъчно точно извличане на текстовете от изображенията и PDF документи.

Основни възможности на gImageReader:

• Импортиране на PDF документи и най-различни снимки и изображения от различни източници – диск, скенер, клипборд и скрийншотове
•  Пакетна обработка на изображенията и и документите – тоест, няколко документа или изображения едновременно
•  Разпознаване на различните текстови фрагменти като обикновен текст или hOCR документи  
•  Вградена проверка на правописа
• Автоматично определяне на различните области с текст
• Базово редактиране на изображенията и документите
• Запазване на полученото във вид на стандартен текстови документ

Инсталиране на gImageReader

gimagereader e достъпен в почти всички дистрибуции. Но за неговата работа е необходимо да бъде инсталиран механизмът за разпознаване на текст Tesseract.
В софтуерения мениджър на съответната Linux дистрибуция да се потърси думата tesseract и да се инсталира tessaract-ocr , tessaract-ocr-eng и разбира се tessaract-ocr-bul за български език.