python tesseract在没有OCR的情况下获得行数

python tesseract get number of lines without OCR

本文关键字：情况下 OCR tesseract python      更新时间：2023-10-16

我正在尝试在不进行OCR的情况下确定文本的行数。我想绕过 OCR 并在用户提供了太多文本行要处理的情况下给用户一个错误（这将花费太长时间，而且这不是应该给出的输入类型）。理想情况下，我希望帮助在 python 中做到这一点，但如果有任何 c++ 示例可以做到这一点，我也许能够调整它们。

以下是我可以使用的 API 函数： http://zdenop.github.io/tesseract-doc/group___advanced_a_p_i.html

我可以使用这些函数，但我不知道在 python 中处理 BLOCK_LIST、ETEXT_DESC 或 Boxa 对象的方法，除了将它们从一个 API 调用提供给另一个 API 调用。

任何帮助将不胜感激！

这可能不是最好的方法，但它只需几秒钟即可工作，并允许我知道何时应该取消 OCR，因为根据找到的符号数量，执行时间比预期的要长，假设我将 OCR 操作放在自己的线程中可以杀死。您还可以找到行数 （RIL_TEXTLINE），但如果有多个列，则会因此获得更多行数。

import tesseract
import cv2.cv as cv 
api = tesseract.TessBaseAPI()
api.Init('.','eng',tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO_OSD)
# Load image
img_data = cv2.imread('file.jpg')
image = cv.CreateImageHeader((width1,height1), cv.IPL_DEPTH_8U, channel1) 
cv.SetData(image, img_data.tostring(),img_data.dtype.itemsize * channel1 * (width1))
tesseract.SetCvImage(image,api)
# Check number of chars
chars_iterator = api.AnalyseLayout()
num_chars = 1
while chars_iterator.Next(tesseract.RIL_SYMBOL) is True: num_chars += 1
# Break of there are too many chars
if num_chars > 1000:
    print "Too many chars!"
    break
# Reset api to delete previous layout iterator
api.Clear()
tesseract.SetCvImage(image,api)
# Do real OCR, and put this in its own thread if you want to kill it when it takes too long
result_xml = api.GetHOCRText(1)
print api.GetUTF8Text()
相关文章：