How-To：Linux 使用 Tesseract 做 OCR 圖文辨識
操作環境：
- Fedora 34
- Tesseract v4.1.3
在如今這個年代，利用 OCR（Optical Character Recognition）技術來辨識圖像上的文字，已經算是一項隨手可得的功能，並不必然得依賴特定的軟體就能夠實現。比方說其實線上的 Google 文件，就有提供 OCR 的能力。不過倘若希望以開放原始碼的工具來達成，則 Tesseract 這款 OCR 引擎應該是時至目前為止，維護最為積極也相對成熟的一項專案。
Tesseract 做圖文辨識有一定的成效，然而若是想要認真地對掃描文件進行辨識，那麼就 DR 自己的使用經驗來說，使用諸如 ABBYY FineReader 這類的商業軟體可能會是比較可靠的。
以下會簡單說明 Tesseract 的安裝及基本使用方式，它本身是命令行的操作方式。雖然也有其它的圖形化 OCR 軟體是以 Tesseract 作為後端引擎，不過這部份就不在本文的說明範疇內了。
1.1 安裝 Tesseract
在 Fedora 發行版上可以單純使用 dnf 指令進行安裝：
- sudo dnf install tesseract
1.2 安裝 Tesseract 語言包
由於前一節的安裝指令也會將 Tesseract 的英文語言包一併安裝起來，所以在安裝完畢後，最至少就會有英文的辨識能力。然而倘若希望能夠辨識其它的語言，例如繁體中文，則首先可以執行以下 dnf 指令，搜尋有哪些語言包可供安裝：
- sudo dnf search tesseract-langpack
- sudo dnf search tesseract-script
從前述指令可以察覺到，Tesseract 的語言包其實存在兩種形式，分別是語言（language）和腳本（script）。其中前者即是單純對應某一語言；後者則是多個語言的集合，通常就是某一語言再加上英文，也就是雙語的組合。而根據前述指令所列出的清單，可以查看各個語言所對應的套件名稱。舉例來說就可以接著使用以下指令，來安裝繁體中文的語言包：
- sudo dnf install tesseract-langpack-chi_tra tesseract-script-hant
1.3 檢查 Tesseract 所支援的語言
執行以下指令，確認當前 Tesseract 支援哪些語言選項：
- tesseract --list-langs
倘若有依循前一節的語言包安裝步驟，則至少應會列出以下三個語言選項：
- chi_tra（繁體中文）
- eng（英文）
- script/HanT（繁體中文 + 英文）
所列出之清單即是 Tesseract 能夠使用的語言，將會在下一節裡使用到。
2.1 Tesseract 基本操作
Tesseract 能夠讀取 PNG、JPG 及 TIFF 等常見的圖像格式。不過無法直接讀取 PDF，因此若有儲存為 PDF 的掃描文件，都必須先設法轉換為圖檔，再由 Tesseract 做讀取。以下範例指令會對 input.png 做英文辨識 ，然後將辨識出的文字送到標準輸出（stdout），也就是直接輸出在終端機上：
- tesseract input.png stdout -l eng
事實上英文即為 Tesseract 的預設語言，所以可以不用透過參數明確指定。不過若是其它語言就有必要了，以此類推，倘若希望辨識繁體中文，便是將 eng 替換為 chi_tra：
- tesseract input.png stdout -l chi_tra
若是希望能夠同時辨識中文及英文，那麼有兩種可行的作法。一種是將語言選項用加號合併起來（先後順序不影響）；另一種則是用先前曾經提及過的腳本選項。也就是以下兩種方式擇一使用：
- tesseract input.png stdout -l chi_tra+eng -c preserve_interword_spaces=1
- tesseract input.png stdout -l script/HanT -c preserve_interword_spaces=1
額外加上的「-c preserve_interword_spaces=1」參數，是為了減少辨識後的中文出現多餘空格的情形。此外由於上述兩種作法背後是讀取不同的訓練資料，所以其實結果並不會很一致。
2.2 將辨識結果輸出成檔案
倘若將前一節指令裡的 stdout 替換為檔名（副檔名會自動加上），那麼就會是將辨識結果輸出成檔案了。舉例來說，以下指令能夠將 input.png 的辨識結果輸出成 output.txt：
- tesseract input.png output -l eng txt
事實上 TXT 也是 Tesseract 檔案輸出的預設選項，所以加上 txt 參數並不是必要的。反之，若是希望輸出為 PDF，便是將 txt 替換為 pdf，如下所示：
- tesseract input.png output -l eng pdf
上述指令的辨識結果便會輸出成一支 output.pdf，這支 PDF 會維持原圖檔的圖像，而辨識出來的文字會成為可供搜尋及複製的形式。此外需要留意的是，輸出格式的選項（txt、pdf 等等），在整組 Tesseract 指令中的所在位置是固定的。它必須一律放在最後面，也就是其它參數都得在它的前面，指令才能夠正確執行。
2.3 使用其它來源的語言包
在一般的使用情境裡，或許使用者都是利用發行版套件庫所提供的語言包，然後讓 Tesseract 讀取預設的資料路徑。但倘若有另外取得其它版本的語言包，其實也是有可便利切換的途徑。以 DR 自己偏好的作法，會先將系統上已安裝的 Tesseract 資料目錄複製一份複本：
- rsync -rv /usr/share/tesseract/tessdata/ tessdata-new/
然後在這個新複製出來的 tessdata-new 目錄，將想要使用的語言訓練資料（*.traineddata）替換上去。後續在執行 Tesseract 時，便利用「--tessdata-dir」參數來指定資料目錄，就能夠以不同版本的訓練資料來進行辨識：
- tesseract input.png stdout -l eng --tessdata-dir tessdata-new/
3.1 其它輔助工具
先前的說明曾提到過，Tesseract 無法直接讀取 PDF，都必須先轉換為圖檔。而這樣的需求是可以利用其它的工具來達成，例如 Ghostscript，相關操作說明可參考此 How-To 文件。
由 Ghostscript 所轉換出來的 PNG 或 TIFF，即能夠提供給 Tesseract 做辨識。而另一方面，倘若是手上有許多圖檔，但希望合併為單一 TIFF，那麼可以另外使用 ImageMagick 這支圖像工具，其安裝方式如下：
- sudo dnf install ImageMagick
安裝完畢後，利用 ImageMagick 將當前目錄下所有的 PNG 合併為單一 TIFF（output.tif）的指令範例如下：
- convert *.png output.tif
3.2 其它參考資料