tesseract 言語データのダウンロード

2019.05.03Linux,Windows7tesseract

ダウンロードした言語データは、Windows版Tesseract および Linux版Tesseract のどちらにでも使用できます。

言語データについて

はじめに、言語データは、tesseract の本体バージョンごとに異なります。

★言語データはざっくりと4種類あります★
・v4.00用
・v3.04/3.05用
・v3.02用
・v2.0x用

事前に本体バージョンを確認しましょう。

1. tesseract 本体のバージョンを調べる方法（コマンドプロンプト、または、Linuxのコマンドライン）

tesseract -v



2. インストール済み言語データの確認

tesseract --list-langs

List of available languages (1):
eng

※上の例では英語のみインストールされている状態です。日本語がインストールされていれば、jpn も表示されます。

言語データのダウンロード

1. GitHub の tesseract Data Files ダウンロードページ
https://github.com/tesseract-ocr/tesseract/wiki/Data-Files

ダウンロードページの主な見出し 　Special Data Files　← osd(v3.01以上対応)とequ(v3.02以上対応)
　Data Files for Version 4.00 (November 29, 2016)　← v4.00用
　Data Files for Version 3.04/3.05　←　v3.04/3.05用
　Data Files for Version 3.02　←　v3.02用
　Data Files for Version 2.0x　←　v2.0x用
　Cube Data Files for Version 3.04/3.05　←　アラビア語とヒンディー語用
　Fraktur Data Files　←　不要

　※Special Data Files の osdファイルは傾いてしまった文章を認識させるときに必要です。
　※osdファイルは、オプション -psm で使用します。ダウンロードしておいても損はないです。

2. ダウンロードした言語データは tessdata フォルダに保存する。以下は保存先の例です。
Windows例C:¥Program Files¥Tesseract-OCR¥tessdata
Linux例/usr/local/tesseract/share/tessdata
3. 追加した言語データの確認

tesseract --list-langs


日本語辞書を追加した場合は、「 jpn 」が表示されます。


tesseract --list-langs

List of available languages (2):
eng
jpn

目的の言語が表示されれば完了です。


CHECK 使用できないバージョンの言語データを、間違って保存先に入れてしまった場合でも --list-langs で表示されてしまうのでご留意を。例えば、本体はVer4.0以上なのに、言語データがVer2.0用でも、表示されます。

言語データのファイル名を変更すると、どうなる？

以下は備忘録のため、作業は不要です。
言語データのファイル名を変更したとき、オプション --list-langs の戻り値を確認しました。

1. 言語データのファイル名 jpn.traineddata を japanese.traineddata にリネームする。


2. $ tesseract --list-langs を実行すると。

tesseract --list-langs

List of available languages (2):
eng
japanese

になります。japanese と表示されました。


3. なので、tesseract で文字認識させる際は

ファイル名変更前


tesseract test.png result -l jpn

　　　↓
ファイル名変更後なので


tesseract test.png result -l japanese

になります。言語データの指定は名前変更後の japanese にします。