##環境
.
Miniconda
python 3.7
windows
##tesseractの導入
バージョン4.0系からニューラルネットワークを採用し精度が向上しています。
ancondaにtesseractを入れる場合は、コマンドに以下を入力すればokです。
もし、anacondaを使っていて、できない場合はこちらを参考にしてください。
conda install -c conda-forge tesseract
anacondaを使ってない場合は、tesseractをインストールして、パスを通す。
ちゃんと使えるかは以下をコマンドに入力してください。
バージョンが返ってこればokです。
.command
tesseract -v
>>tesseract 4.1.0
##言語追加
以下をコマンドに入力して、jpnがでなければ[こちら]からjpn.traineddataをダウンロードしてください。
jpn.traineddataを
\Users***\Miniconda3\envs\my_env\Library\bin\tessdata
```に置いてください。
```.commnad
tesseract --list-langs
.
List of available languages (3):
eng
jpn
osd
↑のようになっていればokです。
日本語以外も追加可能です。
##PyOCRの導入
terminal.
pip install pyocr
##実行してみる
.py
from PIL import Image
import sys
import pyocr
import pyocr.builders
tools = pyocr.get_available_tools()
if len(tools) == 0:
print("No OCR tool found")
sys.exit(1)
tool = tools[0]
#言語、オプションの指定をする
txt = tool.image_to_string(
Image.open('IMG_5.png'),
lang='jpn',
builder=pyocr.builders.TextBuilder()
)
print(txt)
.
乃 木 坂 ④⑥・ 齋 藤 飛 鳥 の ①st 写 真 集 『 潮 騒 』 ( 幻 冬 舎 )
が 、 最 新 の ⑪/①① 付 オ リ コ ン 週 間 BOOK ラ ン キ ン グ ジ ャ
ン ル 別 ` 写 真 集 」 で ③④ 位 に ラ ン ク イ ン 。②0①⑦ 年 ① 月 の 発
売 か ら ② 年 ①0 ヶ 月 を 経 た 現 在 ち ラ ン キ ン グ 圏 内 を 推 移 。 好
調 な 乃 木 坂 ④⑥ メ ン バ ー の ソ ロ 写 真 集 の な か で も 数 少 な い
超 ロ ン グ ヒ ッ ト と な り 、 累 計 売 上 部 数 は ⑲.③ 万 部 を 超
え 、②0 万 部 目 前 ま で 迫 っ て い る 。
【 写 真 】 そ の 他 の 写 真 を 見 る
⑪/①① 付 の 同 ラ ン キ ン グ 内 を 見 る と 、 乃 木 坂 ④⑥ メ ン バ
ー の ソ ロ 写 真 集 の な か で 発 売 日 が ち っ と も 早 い の が 齋 膳
飛 鳥 の 『 潮 騒 』 と な り 、 次 い で ⑳①⑦ 年 ② 月 発 売 の 白 石 麻
衣 の 『 パ ス ポ ー ト 』 ( 講 談 社 ) 。 『 パ ス ポ ー ト 』 は 、 ジ
ヤ ン ル 別 ` 写 真 集 」 歴 代 ② 位 、 ソ ロ 写 真 集 と し て は 歴 代 ①
位 と な り 、 現 在 累 計 売 上 は ③③.⑥ 万 部 を 超 え て い る 。
数字の認識はいまいちですけど、他は高い確率で認識できていると思います。
##参考
Python3系でtesseractを使ってOCRをやってみる
【PyOCR】画像から日本語の文字データを抽出する
間違いがありましたら、編集リクエストをお願いします。