问题描述
我扫描了一本旧的瑞士计算机杂志的几千页，并将其作为我的硕士论文的一部分公开。但是首先，我想在所有页面上使用R / Tesseract进行OCR，然后也许要使用Quanteda。
这时，我正在运行一个循环，该循环将页面转换为pdf和png，读取ocr并从中创建txt文件。效果很好，所有文件都已转换。
但是，当我使用杂志时，所有页面的结构都不同。我有广告，单列，多列，等等。我无法让Tesseract识别列，即使它给了我分型线（有时也会这样做），我也无法弄清楚如何正确构造它。
我正在将其用于OCR：
file <- images_test %>%
image_convert(type = 'Grayscale') %>%
image_write(format = 'png')
text <- tesseract::ocr(file,engine = tesseract("deu"))
write(text,file = txtpfad)
我的结果如下：
Round UM DEN IBM-PC 2输入Ir Bytes pro Sektor。 Mit derDatenüber-Gruppe von schnellen Arbeitsplatz-房地产von 250 Kbits / Sekunde ISSCO 软件接收到的最佳信息10兆赫 会议纪要：ultitec ：一个。 （串流模式/ Einmaldurch- au em neuen Bar 66、3000 Bern 22， 电话4 lauf）。 Die drei weiteren Modelle des C.产品程序 （Irwin 120，125 IBM RT P和325）haben pro Datenkassette .. = sogar eineKapazitätvon 20 MB。死于爱因策尔恩 Underscheiden AT A l l sich jeweils in der Uebertragungsge- von pica schwindigkeit，Gerätegrösse和Die Freigabe的32位工作环境 der Art des Aufbaus（Einbauoder |车站von IBM（amerikanische Die （位于Peripherie-Gerät的个人计算机），IBM RT PC） erfolg- |意甲APICAL埃菲尔·艾伦·本·恩登·鲍尔 （欧文|特尔斯特·库尔兹利希。舍恩·梅尔代|安福德格根，死了 ei- 120和125）werden wiederum di- | MULTITEC，总价- IBM-AT Kompatiblen gesturet的个人计算机Elop- 小型计算机| werden。 Und mehr。 Sie sind nicht py-Kontroller angeschlossen。 die死verbriteten Grafik-软件-| nur kompatibel，sondern，wie Datentransferrate dieser beiden Ge- | Pakete disSPLA，TELL-A-GRAF，| es sichfüreinen Rechner derrätebei 500 Kbits / Sekunde liegt，| TELLAPLAN和CUECHART | Spitzenklasse gehört，obendrein werden在nur knapp neun中死了20 MB |杰夫·奥赫·奥夫 （...）
解决方法
找到了解决方案。 Tesseract有很多我从未听说过的选择。您必须首先以正确的方式设置引擎。
deu <- tesseract(language = "deu",options = list(tessedit_pageseg_mode = 1))
text <- ocr(file,engine = deu)
仍有改进的潜力，但现在看起来好多了。