画像からテキストをロードして抽出するための高度な無料 Ruby ライブラリ

Ruby-Tesseract-OCR 入門

Ruby-Tesseract-OCR をインストールする推奨方法は、Rubygems を使用することです。 スムーズにインストールするには、次のコマンドを使用してください。

gem install tesseract-ocr 

Ruby を使用して画像やスキャンしたドキュメントからテキストを抽出

Ruby-Tesseract-OCR は、ソフトウェア開発者がわずか数行の Ruby コードでさまざまなタイプの画像を読み込んでテキストを抽出できるようにする非常に強力なオープンソース ライブラリです。 このライブラリを使用すると、画像、PDF、またはスキャンした文書からテキストを簡単に抽出できます。 一般的なワークフローには、画像のロード、OCR パラメータの設定、テキストを認識するための OCR エンジンの起動が含まれます。 操作を成功させるには、開発者は処理する画像へのパスを指定し、text_for メソッドを呼び出してテキストを抽出する必要があります。 最後に、結果がコンソールに出力されます。 このライブラリは、ページ セグメンテーション モード、ホワイトリスト文字など、OCR の動作を制御するためのさまざまな Fconfiguration オプションを提供します。 次の例は、ソフトウェア開発者が Ruby アプリケーション内で JPEG 画像をロードし、そこからテキストを抽出する方法を示しています。

require 'tesseract'

e = Tesseract::Engine.new {|e|
  e.language  = :eng
  e.blacklist = '|'
}

e.text_for('test/first.png').strip # => 'ABC'

Ruby を使用して特定の画像領域からテキストを抽出する

オープンソースの Ruby-Tesseract-OCR ライブラリは、基本的な OCR 機能を超え、高度なユースケース向けの追加機能を提供します。 たとえば、ユーザーは画像内の関心領域 (ROI) を指定して、OCR 分析を特定の領域に制限できます。 これは、複雑なドキュメントを扱う場合、またはユーザーが特定のセクションからテキストのみを抽出する必要がある場合に特に便利です。 さらに、このライブラリは、認識されたテキストだけでなく、テキスト要素のレイアウトと座標に関する情報も含まれる HOCR (HTML OCR) 出力を取得するためのメソッドを提供します。 HOCR 出力は、より詳細なデータが必要な場合、またはテキスト構造についてさらに分析を実行したい場合に役立ちます。

require 'tesseract'

e = Tesseract::Engine.new {|e|
  e.language  = :eng
  e.blacklist = '|'
}

puts e.hocr_for('test/first.png')