Die Sammlung hier kann gerne ergänzt werden. Auch Übersetzungen der englischsprachigen FAQ sind willkommen.

Weitere deutschsprachige Dokumentation zu Tesseract und anderen OCR-Themen gibt es hier:

• https://ocr-bw.bib.uni-mannheim.de/
• https://ocr-d.de/de/

tesseract https://digi.bib.uni-mannheim.de/fileadmin/vl/ubmaosi/59088/max/59088_0008.jpg -

Dieses Beispiel nutzt das Feature, dass aktuelle Tesseract-Versionen auch OCR auf ein per URL angegebenes Bild machen können. Das OCR-Ergebnis gibt Tesseract in der Konsole direkt aus. Und ein Modell ist nicht angegeben. Daher wird das immer installierte eng.traineddata verwendet. Der Installer installiert einen Konsolenaufruf, bei dem der Suchpfad für tesseract bereit richtig eingestellt ist. Wenn man den nicht verwendet, muss man vor tesseract den kompletten Installationspfad ergänzen. Ansonsten sind die Aufrufe unter Windows und Linux identisch.

Das minimalistische Beispiel oben lässt sich einfach erweitern, z. B. mit Ausgabe in Datei(en) unterschiedlicher Formate und einem Modell, das für deutschsprachige Texte optimiert ist:

tesseract https://digi.bib.uni-mannheim.de/fileadmin/vl/ubmaosi/59088/max/59088_0008.jpg ergebnis -l deu alto hocr tsv txt pdf

Dieser Aufruf erzeugt ergebnis.xml (ALTO XML), ergebnis.hocr (hOCR / HTML), ergebnis.tsv (TSV), ergebnis.txt (Textdatei) und ergebnis.pdf (PDF).

Jeder Aufruf von tesseract kann genau eine Bilddatei (also typischerweise eine Seite) verarbeiten. Statt der URL einer Bilddatei können natürlich auch lokal abgelegte Dateien (gegebenenfalls mit ihrem Pfad) angegeben werden. Datei werden viele gängige Bildformate unterstützt, insbesondere jpg, jp2, png, tif, bmp und weitere.

Mit tesseract --list-langs gekommt man angezeigt, welche Modelle bereits installiert sind. Zusätzliche zeigt dieser Befehl in der ersten Zeile der Ausgabe an, in welchem Verzeichnis die Modelle liegen. Zusätzliche Modelle lassen sich dort (wahlweise in Unterverzeichnissen) hinzufügen.

Old European texts often use Fraktur or historic Antiqua fonts with long s and ligatures. Those texts require special Tesseract models as the standard models like eng, deu or script/Latin don't recognize them good.

Several models are available for such old texts. deu_frak is a model which was trained for Tesseract 3. The current standard models are frk and script/Fraktur. In addition, there exist models trained by UB Mannheim which often give better results.

This user contributed model only supports the legacy (pattern based) OCR engine, so does not work with a LSTM neural network which typically can achieve better OCR results. The legacy engine has one advantage: it can detect character attributes like cursive or fat.

This is the standard model for German Fraktur texts. It includes a German dictionary. The model has some restrictions regarding the character set which it can recognize. It also has problems especially with ch and ck ligatures.

This is the standard model for European Fraktur and historic Antiqua texts. It supports a wider character set than frk, but has similar problems with ch and ck.

Those models typically give the best results. They eliminate the problems of frk and script/Fraktur and know different variants of the German umlauts. These variants are available:

• models based on script/Fraktur
• models trained from scratch
• models trained from Austrian newspapers with Fraktur
• latest models trained in 2021 (not always the best)

All those models work without any dictionary. Older Tesseract versions therefore show a warning which can simply be ignored. frak2021_1.069 is a model where we added a dictionary.