在 Linux 上使用 gImageReader 从图像和 PDF 中提取文本

gImageReader 是一个 GUI 工具，用于在 Linux 中利用 Tesseract OCR 引擎从图像和 PDF 文件中提取文本。

gImageReader 是 Tesseract 开源 OCR 引擎的一个前端。Tesseract 最初是由 HP 公司开发的，然后在 2006 年开源。

基本上，OCR（光学字符识别）引擎可以让你从图片或文件（PDF）中扫描文本。默认情况下，它可以检测几种语言，还支持通过 Unicode 字符扫描。

然而，Tesseract 本身是一个没有任何 GUI 的命令行工具。因此，gImageReader 就来解决这点，它可以让任何用户使用它从图像和文件中提取文本。

让我重点介绍一些有关它的内容，同时说下我在测试期间的使用经验。

gImageReader：一个跨平台的 Tesseract OCR 前端

为了简化事情，gImageReader 在从 PDF 文件或包含任何类型文本的图像中提取文本时非常方便。

无论你是需要它来进行拼写检查还是翻译，它都应该对特定的用户群体有用。

以列表总结下功能，这里是你可以用它做的事情：

• 从磁盘、扫描设备、剪贴板和截图中添加 PDF 文档和图像
• 能够旋转图像
• 常用的图像控制，用于调整亮度、对比度和分辨率。
• 直接通过应用扫描图像
• 能够一次性处理多个图像或文件
• 手动或自动识别区域定义
• 识别纯文本或 hOCR 文档
• 编辑器显示识别的文本
• 可对对提取的文本进行拼写检查
• 从 hOCR 文件转换/导出为 PDF 文件
• 将提取的文本导出为 .txt 文件
• 跨平台（Windows）

在 Linux 上安装 gImageReader

注意：你需要安装 Tesseract 语言包，才能从软件管理器中的图像/文件中进行检测。

 

你可以在一些 Linux 发行版如 Fedora 和 Debian 的默认仓库中找到 gImageReader。

对于 Ubuntu，你需要添加一个 PPA，然后安装它。要做到这点，下面是你需要在终端中输入的内容：

sudo add-apt-repository ppa:sandromani/gimagereader
sudo apt update
sudo apt install gimagereader

你也可以从 openSUSE 的构建服务中找到它，Arch Linux 用户可在 AUR 中找到。

所有的仓库和包的链接都可以在他们的 GitHub 页面中找到。

gImageReader 使用经验

当你需要从图像中提取文本时，gImageReader 是一个相当有用的工具。当你尝试从 PDF 文件中提取文本时，它的效果非常好。

对于从智能手机拍摄的图片中提取，检测很接近，但有点不准确。也许当你进行扫描时，从文件中识别字符可能会更好。

所以，你需要亲自尝试一下，看看它是否对你而言工作良好。我在 Linux Mint 20.1（基于 Ubuntu 20.04）上试过。

我只遇到了一个从设置中管理语言的问题，我没有得到一个快速的解决方案。如果你遇到此问题，那么可能需要对其进行故障排除，并进一步了解如何解决该问题。

 

除此之外，它工作良好。

试试吧，让我知道它是如何为你服务的！