16

有人知道如何user_patterns_suffix在 Tesseract 中使用用户模式（）吗？你能告诉我如何处理它以及如何测试它的工作吗？我尝试遵循 Tesseract 指南（Tesseract user-patterns但我根本没有看到它影响结果。

谢谢。

4

1 回答 1

25

Tesseract 使用一种模式来实现一种“正则表达式”。如果假设您正在扫描一本书，其中包含所有格式相同的数据，则可以使用它。一个模式可以用来告诉 Tesseract 期望什么格式，比如它如何期望用户词中的词。下面是Tesseract 如何描述如何使用模式：

每个模式都可以包含任何非空白字符，但是只有包含来自相应语言的 unicharset 的字符的模式才有用。

唯一的元字符是\. 要在模式中用作普通字符串，它应该被转义\（例如，字符串C:\Documents应该在模式文件中写为C:\\Documents）。

此函数支持非常有限的正则表达式语法。可以表示一个字符、某个字符类以及实体在模式中应重复的次数。

要表示字符类，请使用以下之一：

  • \c- unichar 为UNICHARSET::get_isalpha()真（字符）
  • \d- unichar 为UNICHARSET::get_isdigit()真
  • \n- unicharUNICHARSET::get_isdigit()且 UNICHARSET::isalpha()为真
  • \p- unichar 为UNICHARSET::get_ispunct()真
  • \a- unichar 为UNICHARSET::get_islower()真
  • \A- unichar 为UNICHARSET::get_isupper()真

\*可以在每个字符或模式之后指定，以指示该字符/模式可以在下一个字符/模式出现之前重复任意次数。

例子：

1-8\d\d-GOOG-411将扩展为字符串： 1-800-GOOG-411, 1-801-GOOG-411, ... 1-899-GOOG-411。

"ww.\n\*.com"将扩展为字符串，例如： "ww.a.com" "ww.a123.com"..."ww.ABCDefgHIJKLMNop.com"

注意：在选择要包含的模式时，请注意提供非常通用的模式会使 tesseract 运行速度变慢这一事实。例如\n\*，在模式的开头将使 Tesseract 考虑每个分段的建议字符选择的所有组合，这将是不可接受的慢。由于可能难以识别的潜在速度问题，每个用户模式必须从一开始就至少具有kSaneNumConcreteChars具体字符unicharset。

于 2014-11-26T22:19:11.407 回答