tesseract 似乎不能使用多个 -c 参数

Question

我只是通过 bash 脚本使用 tesseract。我终于想出了几乎完美地识别图像文本的所有设置；但是，我似乎无法同时使用所有选项。我的命令如下：

$ tesseract infile.tif outputbase --psm 6 -c tosp_min_sane_kn_sp=0.0;tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/\

我需要白名单，因为 tesseract 正在挑选一些小写字符、奇怪的字符（例如日元符号）和其他奇怪的字符。我的图像不包含这些字符，并且由于我的文档非常简单，我认为将确实存在的那些列入白名单会更容易。此外，图像采用“表格”格式（没有任何线条或边框），并且 tesseract 仅拾取大空间（分隔列）而不是列中单词之间的单个空格。将 tosp 值设置为 0 似乎可以解决这个问题。

现在的问题是 tesseract 不会同时处理这两个 -c 参数，但手册页明确指出您可以使用多个 -c 参数！

我也尝试过以下方法：

my_config_file
tosp_min_sane_kn_sp 0.0
tessedit_char_whitelist ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/\

$ tesseract infile.tif outputbase --psm 6 my_config_file

配置文件保存在正确的目录中，但一次只能使用其中一个选项。如果这两个选项都在配置文件中，它似乎忽略了 tosp_min_sane_kn_sp 0.0.0。如果我删除一个，那么另一个可以工作。

我在这里拉扯我的头发，我将通过运行 OCR 两次然后将两个文件与 awk 脚本合并来解决这个问题。但是，我真的不想这样做，因为它显然效率较低，而且我真的不喜欢尝试使用 awk 的想法，因为不能保证以我现在的方式 100% 格式化 OCR必须在我的潜在 awk 脚本中进行假设。

请帮忙！

编辑：

我忘了提到我确实尝试过传递多个 -c 选项。与其猜测变量之间的各种字段分隔符，分号对我来说是最有意义的，因为我知道 tesseract 是用 C++ 编写的，它使用分号来表示一行的结尾。我知道 C++ 没有被解释，但它似乎是有道理的。现在我离题了。 . .

此外，我尝试过将白名单放在引号中的建议，但这并没有什么不同。我真的很兴奋，因为我什至没有想到这一点，但即使我自己运行一个 -c 参数，tesseract 似乎也无法识别引号。

Answer 1

您不能将多个参数传递给单个 -c 选项，尤其是不使用分号分隔的。我没有tesseract，但我很确定您需要为要设置的每个配置变量传递一个单独的-c 选项：

tesseract infile.tif outputbase --psm 6 -c tosp_min_sane_kn_sp=0.0 -c 'tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/\'

（我还将第二个变量设置用单引号括起来，因此 shell 不会尝试解释反斜杠。没有引号，它会转义换行符，因此下一行将被视为这个。）

原始问题的解释：当 shell 看到分号（并且它不是在引号中或转义）时，shell 将其视为命令分隔符。因此它将该行视为两个完全独立的命令（下一行合并，因为反斜杠）：

tesseract infile.tif outputbase --psm 6 -c tosp_min_sane_kn_sp=0.0
tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789-+&/ <whatever's on the next line of the file>

第一个运行tesseract，带有一个-c 选项，第二个创建一个名为tessedit_char_whitelist 的shell 变量。即使你引用或转义了它，所以分号被传递给tesseract，我怀疑它不会像你想要的那样把它当作分隔符。