在Python应用中使用Tesseract OCR的性能问题

Question

我最近做了一个界面，用来扫描和上传可以搜索的文件到我们的文档管理系统KnowledgeTree。我们有很多不同的工具来处理这个过程的各个部分，但我想把所有东西整合到一个界面里，这样用户使用起来会更简单。

这是平台：

#    OS: Ubuntu Desktop 10.04
#    GUI Toolkit: wxPython
#    OCR package: Tesseract 3.00 (compiled executable)

这是基本的流程：

#    1. Retrieve individual page images from scanner
#    2. Call Tesseract OCR executable to produce HOCR data for each page
#    3. Run extracted words against English dictionary to guess if page orientation is correct
#        3a. If word matches are below threshold, rotate page 90 degrees and try again
#    4. Detect document type and retrieve metadata from HOCR data
#    5. Merge scanned pages and HOCR data into a finished PDF
#    6. Upload PDF and attached metadata to document management system through KnowledgeTree's API

这个流程运行得很好，除了第二步在某些类型的文件上非常慢。对于基本的固定宽度文本报告，它处理得很快，但如果里面有一些logo、线条和其他难以识别的内容，它有时候在一页上就要花几分钟。更别提如果它需要重新调整方向，可能会重复这个过程多达4次。相比之下，扫描仪自带的软件使用了ABBYY OCR，可以在不到一分钟的时间内处理50多页，几乎完美地处理页面布局和文本方向（我知道这就是ABBYY收费的原因）。不幸的是，使用这个扫描软件对用户来说更复杂，而且它自己只能完成步骤1到3。

我想知道我是否应该换个方式来处理这个问题，可能完全把OCR和上传功能与扫描界面分开，或者有没有我忽视的OCR包或其他解决方案可以集成到Python应用中。调用外部应用来完成这个工作会不会导致性能问题呢？

无论我怎么做，控制第4步是很重要的，因为如果要求用户手动设置每个上传文件的类型和元数据，这可能会造成问题。

Answer 1

你遇到的问题是，Tesseract是一个光学字符识别（OCR）引擎，而不是用来分析页面布局的软件。根据Tesseract的网站，版本3.0可能会加入页面布局分析的功能。

我知道在之前的版本中，它只在文本是单列的时候表现得比较好。

我觉得你需要增加一个步骤1.5，来做一些布局分析，试着找出图像块、标志和难以辨认的文本。

你可能想看看OCRfeeder，了解一下它的解决方案。