Как извлечь текст из PDF-файлов и изображений в Linux с помощью gImageReader

Если вы хотите извлечь текст из PDF-файлов или изображений, рассмотрите возможность использования gImageReader, графической утилиты для извлечения текста для Linux.

Если вы студент или ваша работа связана с работой с большим количеством изображений и PDF-файлов, в какой-то момент вы почувствовали необходимость извлечь текст из изображения или документа.

К счастью, извлечение текста делает это возможным. И есть несколько инструментов, которые вы можете использовать для этого. gImageReader — один из многих инструментов. Это бесплатное приложение, которое работает как с файлами изображений, так и с документами PDF.

Давайте подробно рассмотрим gImageReader и посмотрим, как вы можете использовать его для извлечения текста из изображений и PDF-файлов.

Что такое gImageReader?

gImageReader — это приложение, которое позволяет извлекать текст из изображений и PDF-файлов в Linux. По сути, это графический интерфейс или внешний интерфейс для механизма OCR Tesseract, механизма с открытым исходным кодом, разработанного Hewlett-Packard, который считается одним из лучших доступных механизмов OCR.

С gImageReader вы можете легко и достаточно точно извлекать текст из изображений или PDF-документов с помощью нескольких простых кликов. Затем вы можете экспортировать извлеченный текст в текстовый файл или файл PDF для дальнейшего использования.

Особенности gImageReader

gImageReader обладает следующими функциями:

• Импорт PDF-документов и изображений из разных источников (диск, сканирующие устройства, буфер обмена и снимок экрана)

• Пакетная обработка изображений или документов, т. е. извлечение текста из нескольких изображений или документов одновременно.

• Распознавать текстовые фрагменты как обычный текст или документы hOCR

• Встроенная проверка орфографии

• Автоматическое определение области текста

• Базовое редактирование изображений/документов

• Сохранить вывод в виде текстового файла

Как установить gImageReader в Linux

gImageReader доступен в большинстве основных дистрибутивов Linux. Но прежде чем приступить к его установке, вам необходимо установить в вашей системе механизм распознавания текста Tesseract.

Для этого откройте Диспетчер программ в своей системе и найдите tesseract. Когда он вернет список результатов, установите пакеты tesseract-ocr и tesseract-ocr-eng. Вы также можете использовать диспетчеры пакетов командной строки для установки пакета, если вам удобнее работать с терминалом.

После этого ознакомьтесь с инструкциями по установке в следующих разделах, чтобы установить gImageReader на свой компьютер.

Если вы используете Debian или Ubuntu, откройте терминал и выполните следующие команды, чтобы установить gImageReader:

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

В Fedora, CentOS или Red Hat Enterprise Linux (RHEL):

sudo dnf install gimagereader-qt 

В Arch Linux или Manjaro:

sudo pacman -S gimagereader

Пользователи openSUSE могут установить gImageReader, используя:

sudo zypper install gimagereader

Если вы используете любой другой дистрибутив Linux, вы можете собрать gImageReader из исходного кода, следуя инструкциям на GitHub gImageReader.

Как использовать gImageReader в Linux

gImageReader довольно прост в использовании и работает со всеми типами файлов изображений, а также с документами PDF. Следуйте приведенным ниже инструкциям, чтобы извлечь текст из изображений или PDF-файлов в Linux.

Откройте меню приложений, найдите gImageReader и запустите приложение. Нажмите кнопку Развернуть в окне gImageReader, чтобы открыть его в полноэкранном режиме.

Теперь нажмите кнопку Добавить изображения на левой панели под панелью инструментов и используйте браузер файлов, чтобы выбрать изображения или PDF-файлы, из которых вы хотите извлечь текст.

Нажмите ОК, чтобы импортировать изображения или PDF-файлы в gImageReader. Или, если вы хотите извлечь текст из того, что отображается на экране, щелкните раскрывающийся список рядом с кнопкой Добавить изображения и выберите Сделать снимок экрана. gImageReader сделает скриншот содержимого экрана.

Добавив изображение в gImageReader, нажмите кнопку Переключить панель вывода (одна со значком блокнота), чтобы открыть панель вывода. Здесь появляется текст, который вы извлекаете из изображений или PDF-файлов.

В зависимости от того, как вы хотите действовать, теперь у вас есть возможность идентифицировать текст на изображении или в PDF автоматически или вручную. Чтобы сделать это автоматически, нажмите кнопку Автоопределение макета, и будут выделены все текстовые блоки в выбранном изображении или документе PDF.

После этого нажмите Распознать выделение > Текущая страница, чтобы начать процесс извлечения текста.

В качестве альтернативы, чтобы выделить текст вручную, наведите указатель мыши на текст, который хотите извлечь, и с помощью перекрестия нарисуйте рамку вокруг области, из которой вы хотите извлечь текст. Затем нажмите кнопку Распознать выбор, чтобы продолжить.

Если это документ PDF и вы хотите извлечь текст с разных страниц, нажмите кнопку Плюс (+), чтобы перевернуть страницы.

Чтобы вернуться назад, нажмите кнопку Минус (-). Затем выделите текст, который хотите извлечь, и нажмите кнопку Распознать выделение, чтобы извлечь его.

Хотя и редко, но могут быть случаи, когда gImageReader возвращает извлеченный текст на языке, отличном от английского. В этом случае просто нажмите кнопку раскрывающегося списка рядом с кнопкой Распознать выбор и выберите один из вариантов на английском языке.

Наконец, чтобы сохранить извлеченный текст, нажмите кнопку Сохранить вывод. Это вызовет окно сохранения. Здесь дайте имя файлу и нажмите ОК.

Что еще вы можете сделать с gImageReader?

Как упоминалось ранее, gImageReader также дает вам возможность изменять определенные аспекты импортированных изображений или документов, такие как их яркость, контрастность и разрешение. Кроме того, при необходимости вы также можете инвертировать цвета или поворачивать изображения или документы.

Большинство этих параметров могут оказаться полезными, когда текст на изображении или в документе не читается gImageReader и, следовательно, не позволяет инструменту распознать текст.

Чтобы получить доступ к любому из этих параметров редактирования, нажмите кнопку Элементы управления изображениями, после чего откроется мини-панель инструментов под основной панелью инструментов. Отсюда выберите соответствующие кнопки, чтобы выполнить желаемую операцию редактирования изображения или документа.

Извлечение текста в Linux стало проще благодаря gImageReader

Для извлечения текста часто требуется правильный инструмент: тот, который использует надежный и точный механизм оптического распознавания символов, который позволяет эффективно идентифицировать текст на изображении или документе, чтобы вы могли эффективно извлекать его без каких-либо хлопот.

gImageReader отлично справляется с этой задачей благодаря механизму OCR Tesseract, который он использует в фоновом режиме. Учитывая простоту использования, gImageReader, несомненно, является одним из лучших инструментов для извлечения текста, доступных для Linux.

В качестве альтернативы, если вы ищете более простое решение, вы можете проверить TextSnatcher, который является быстрым и довольно простым в использовании.