Différences

Ci-dessous, les différences entre deux révisions de la page.

--- tesseract-ocr [Le 23/10/2017, 05:19]
78.194.2.45 [Liens]
+++ tesseract-ocr [Le 04/08/2023, 19:43] (Version actuelle)
lyondif02 [Liens] mention outil OCRmyPDF basé sur Tesseract
@@ Ligne 5: / Ligne 5: @@
 ====== Tesseract OCR ======
-**Tesseract OCR** est un moteur de [[:ocr|reconnaissance optique de caractères ]] (acronymie : ROC ou OCR en Anglais) qui a été conçu par les ingénieurs de Hewlett Packard<sup>®</sup> de 1984 à 1995, avant d'être abandonné. \\ Après 10 ans de purgatoire, son code est ouvert en 2005, et le développement est repris sous la houlette de Google. \\ Les premiers résultats sont prometteurs. \\ Enfin un bon logiciel libre d'OCR sous %%GNU/Linux%%? L'avenir nous le dira… Il permet déjà d'obtenir une reconnaissance optique de qualité sur un certain nombre de documents (sans mise en page complexe).
+**Tesseract OCR** est un moteur de [[:ocr|reconnaissance optique de caractères ]] (acronymie : ROC ou OCR en Anglais) qui a été conçu par les ingénieurs de Hewlett Packard<sup>®</sup> de 1984 à 1995, avant d'être abandonné. \\ Après 10 ans de purgatoire, son code est ouvert en 2005, distribué sous [[wpfr>Licence Apache]], et le développement est repris sous la houlette de Google. \\ Les premiers résultats sont prometteurs. \\ Enfin un bon logiciel libre d'OCR sous %%GNU/Linux%%? L'avenir nous le dira… Il permet déjà d'obtenir une reconnaissance optique de qualité sur un certain nombre de documents (sans mise en page complexe).
+La page de la documentation sur [[https://github.com/tesseract-ocr/tesseract/blob/master/README.md|Github]].
 Tesseract a pour vocation d'être utilisé :
   * soit directement, en ligne de commandes soit par l'intermédiaire d'une interface graphique comme [[gscan2pdf|gscan2pdf]] ou [[xsane|xsane]] (cf. aussi [[xsane2tess|xsane2tess]]), pour reconnaître du texte avec mise en page basique ; cet usage est déjà fonctionnel.
   * soit avec des surcouches gérant les mises en page complexes, etc., comme [[:ocropus]] (encore en [[wpfr>Version_d'un_logiciel#Version_b.C3.AAta|Version Bêta ou β-test]]).
-**Tesseract** est distribué sous [[wpfr>Licence Apache]], c'est-à-dire pour simplifier qu'il est [[wpfr>Open source|Open Source]]—{__**Développement collaboratif du code source**__}, mais pas [[wpfr>Copyleft|Copyleft]] —{__**Copie sans abandon des droits inhérents à la création de l’œuvre**__}.
-===== Pré-requis =====
-  * Disposer des [[:sudo|droits d'administration]];
-  * Disposer d'une connexion à Internet configurée et activée.
 ===== Installation =====
 [[:tutoriel:comment_installer_un_paquet|Installez les paquets]] **[[apt>tesseract-ocr]]** et pour reconnaître la langue française, **[[apt>tesseract-ocr-fra]]**. \\
 Il existe d'autres fichiers de langues, comme par exemple :
   * **[[apt>tesseract-ocr-deu]]** (allemand),
   * **[[apt>tesseract-ocr-eng]]** (anglais),
   * **[[apt>tesseract-ocr-spa]]** (espagnol),
   * **[[apt>tesseract-ocr-nld]]** (hollandais),
   * **[[apt>tesseract-ocr-ita]]** (italien),
   * **[[apt>tesseract-ocr-por]]** (portugais-brésilien),
   * **[[apt>tesseract-ocr-vie]]** (vietmamien),
   * **[[apt>tesseract-ocr-deu-f]]** (vieil-allemand).
 ===== Utilisation =====
 <note important>les scanners numérisent souvent avec une résolution suffisante pour la lecture à l'écran mais insuffisante pour une reconnaissance efficace.
-Il faut donc numériser au moins à **300 voir 600 ppp** (Point Par Pouce ou DPI) </note>
+Il faut donc numériser au moins à **300 voire 600 ppp** (Point Par Pouce ou DPI)
+Quant au type de fichier, le format [[wpfr>Tagged_Image_File_Format|tiff]] est mieux reconnu, ainsi un document tiff en 300ppp est intégralement reconnu alors qu'au format JPEG, toujours en 300ppp, seules les lettres majuscules sont reconnues</note>
+======= Erreur à l'utilisation =====
+Si vous obtenez ce message :
+Error opening data file /home/<repertoire personnel>/snap/tesseract/common/Error opening data file /home/<repertoire personnel>/snap/tesseract/common/eng.traineddata.traineddata
+Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
+Failed loading language 'Error opening data file /home/<repertoire personnel>/snap/tesseract/common/eng.traineddata'
+Tesseract couldn't load any languages!
+Could not initialize tesseract.
+Copier le répertoire « tesseract-ocr ». Depuis usr/share/  →  vers usr/local/share/
+Les fichiers de langues se trouve à cette emplacement :
+usr/local/share/tesseract-ocr/4.00/tessdata
 ==== En ligne de commande ====
@@ Ligne 42: / Ligne 54: @@
 Pour traiter plusieurs fichiers, vous pouvez faire :
 <code>for i in *.jpg ; do tesseract -l fra $i $i.txt;  done;</code>
+Pour traiter un pdf image de plusieurs pages :
+<code>pdftoppm -r 300 -tiff texte.pdf texte
+for f in *.tif;do tesseract $f $f -l fra;done
+cat *.txt > document.txt</code>
 ==== Les options de langues ====
@@ Ligne 66: / Ligne 84: @@
 Il est possible d'utiliser directement tesseract avec l'application de numérisation [[:XSane]] grâce à l'adaptateur [[:xsane2tess]].
-<note tip>Pour réaliser de la ROC sur un document déjà numérisé, on utilise gscan2pdf. Pour réaliser de la ROC sur un document à numériser, on utilise plutôt XSane, dont la fonction de prévisualisation permet de sélectionner des zones de texte.</note>
+<note tip>Pour réaliser de la Reconnaissance optique de caractères :
+  * sur un document déjà numérisé, on utilise [[gscan2pdf|gscan2pdf]].
+  * sur un document à numériser, on utilise plutôt [[xsane|XSane]], dont la fonction de prévisualisation permet de sélectionner des zones de texte.
+</note>
+==== En mode graphique avec YAGF ====
+Les explications sont données sur [[:yagf|la page YAGF]].
+==== En mode graphique avec gimagereader ====
+Les explications sont données sur [[:gimagereader|la page gimagereader]].
 ==== Pour une reconnaissance optique directe dans LibreOffice Writer de fichiers PNG ou JPG ====
@@ Ligne 101: / Ligne 128: @@
   - Placez sur le bureau vos fichiers numérisés au format PNG (le mieux est un PNG en valeurs de gris et 300 dpi avec Xsane, mais vous pouvez essayer avec d'autres PNG déjà numérisés),
   - Vous pouvez placer sur le bureau plusieurs fichiers PNG sur lesquels vous voulez procéder à la reconnaissance optique, mais ne dépassez pas 3-4 fichiers si vous voulez une opération relativement rapide. \\ Les contenus des différents fichiers seront placés les uns à la suite des autres dans un même document Libreoffice.
-  - Cliquez sur le raccourci précédemment créé ou directement sur le script... patientez un peu... Libreoffice s'ouvrira avec le contenue du texte tel qu'il a été reconnu
+  - Cliquez sur le raccourci précédemment créé ou directement sur le script... patientez un peu... Libreoffice s'ouvrira avec le contenu du texte tel qu'il a été reconnu
   - Il vous reste a effectuer les corrections orthographiques et la mise en page.
@@ Ligne 137: / Ligne 164: @@
   * [[https://github.com/tesseract-ocr/tesseract/wiki|Site officiel]]
   * [[http://www.repairfaq.org/filipg/gnu/tesseract/html-102_03/|Documentation pour contribuer au code (en anglais)]]
-  * [[http://forum.ubuntu-fr.org/viewtopic.php?id=78804|le fil de discussion du forum]] Open Office, Reconnaissance de caractères, Xsane, Kooka et Cie...
+  * [[https://forum.ubuntu-fr.org/viewtopic.php?id=78804|le fil de discussion du forum]] Open Office, Reconnaissance de caractères, Xsane, Kooka et Cie...
   * [[https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract|La page où on parle de l'apprentissage avec tesseract (anglais)]]
   * [[:ocr|La page de la documentation francophone Ubuntu sur la reconnaissance optique de caractères]]
-  * <del>[[http://ubunteros.tuxfamily.org/spip.php?article148 |Le duo scan2pdf et tesseract sur Linux on the Root (en français)]]</del>DELETEME
+  * [[https://gist.github.com/stesie/42dff3d14fbfac60524f381babb8f81d|script « scan2pdf+ocr.sh » sur le GITHUB]]
+  * [[https://ocrmypdf.readthedocs.io/en/latest/introduction.html|OCRmyPDF]] : programme qui rend un fichier PDF indexable – à savoir, dont le contenu peut faire l’objet d’un recherche textuelle. Il est écrit en [[python|Python]], s’appuie sur le moteur ROC Tesseract et sur GhostScript, est disponible au [[snap|format Snap]] ou en [[apt|paquet APT]], et est utilisable en ligne de commande par défaut.
 ----
 //Contributeurs : [[:utilisateurs:teolemon|Pierre S.]], [[:utilisateurs:Hector]] et [[:utilisateurs:Sorbus]], [[:utilisateurs:eagle08]] : liens.//