Tesseract für Linux

Eventuell: Windows Subsystem for Linux (WSL) installieren:

Falls Sie eine Unix Distribution unter Windows nutzen wollen, empfielt sich die Nutzung von WSL. Falls das Endgerät sowieso Linux nutzt, kann Punkt 1.1 übersprungen werden!

Option 1: Sie können Debian oder Ubuntu einfach als App im Windows Store herunterladen.

  1. Store öffnen und nach Debian oder Ubuntu suchen
  2. Eine der beiden Distributionen (oder auch beide) installieren

Option 2: Oder Sie laden es über die Kommandozeile herunter:
→ PowerShell aufrufen und eingeben (ggf. als Administrator ausführen):

$ wsl --install

→ Standardmäßig wird nun Ubuntu installiert; wenn eine andere Version installiert werden soll:

$ wsl --install -d <Distribution Name> #(Distribution Name = Name der Linux Distribution)

Auflisten der Linux-Distributionen:

# Alle (online) verfügbaren Linux-Distributionen anzeigen:
    $ wsl --list --online 
# oder kurz
    $ wsl -l -o 
# Alle installierten Linux-Distributionen anzeigen:
    $ wsl --list 
# Alle laufenden Linux-Distributionen anzeigen:
    $ wsl --list --running

Beenden (terminieren) einer Distribution:

$ wsl --terminate -d <Distribution Name>

Nach der Installation befolgen Sie diese Schritte:

  1. PC neustarten
  2. Nach WSL suchen und ausführen
  3. Gewünschten Benutzername und Passwort anlegen
  4. Updaten über die Befehle: 
    $ sudo apt update
$ sudo apt ugrade

Nun haben Sie ein voll funktionsfähiges Linux innerhalb Windows, dass sie über die Shell steuern können.

1. Installation der Software

Installation von Tesseract

Der Paketmanager von Ubuntu bietet aktuell (Stand August 2022) nicht die neuste Tesseract Version 5 sondern nur Version 4 an. Daher muss ein zusätliches Repo hinzugefügt werden:

$ sudo add-apt-repository ppa:alex-p/tesseract-ocr5

In Linux-Kommandozeile eingeben:

$ sudo apt install tesseract-ocr

→ Das Programm fragt nun, ob man benötigten Speicherplatz verwenden möchte (After this operation, 30.2 MB of additional disk space will be used. Do you want to continue? [Y/n]
→ Mit Enter bestätigen

Mit folgendem Befehl lässt sich die Version überprüfen:

$ tesseract --version

Mit folgendem Befehl lassen sich die installierten Modelle überprüfen:

$  tesseract --list-langs

Anschließend können die benötigten Sprachen via Link heruntergeladen werden:

$ wget <Link>

Beispiel:

$ wget https://github.com/tesseract-ocr/tessdata_fast/raw/main/deu.traineddata

Um den richtigen Link zu erhalten, klicken Sie die gewünschte Sprache in Github an und machen dann einen Rechtsklick auf „View Raw“ oder „Download“ und wählen die Option „Link-Adresse kopieren“ aus.

Sie können eine Liste aller verfügbaren Sprachen und Schriften (Standardmodelle) auf Github finden.
Die Modelle finden Sie unter den folgenden Links:

Für historische Drucke laden Sie die Spezialmodelle der UB Mannheim herunter.

→ Alle gewünschten Sprachen und Schriften können jederzeit mit dem obigen Befehl heruntergeladen werden.
→ vorhandene Sprachen können auch in der Kommandozeile über den Befehl gefunden werden:

$ apt search tesseract- lang

→ für vorhandene Schriften funktioniert folgender Link:

$ apt search tesseract- script

→ Damit die heruntergeladenen Modelle auch im richtigen Ordner abgelegt werden, kann über folgenden Befehl herausgefunden werden, wo die Modelle liegen:

$ tesseract -l XXX XXX XXX

Anschließend kann der Pfad kopiert werden und dorthin gewechselt werden:

$ cd <Pfad>

Beispiel:

$ cd /usr/share/tesseract-ocr/4.00/tessdata/

Nachdem das entsprechende Modell heruntergeladen wurde, kann nun noch der Name des Modells geändert werden. Dies ist vor allem bei Sondermodellen nützlich, da diese oft lange Versionsnamen haben.

$ sudo mv <alter Name> <neuer Name>

Beispiel:

$ sudo mv GT4HistOCR_0.705_440562_2193500.traineddata GT4HistOCR.traineddata

Sollten sie WSL nutzen können alternativ, die Dateien innerhalb der Windows-Benutzeroberfläche abgelegt werden: Geben Sie dafür in den Begriff „\wsl$“ als Pfad in den Explorer ein. Anschließend werden Ihnen alle vorhandenen Linux-Distributionen angezeigt. Sowohl unter Ubuntu als auch unter Debian lautet für Tesseract v4 der standardmäßige Pfad zum Tessdata-Ordner, indem Modelle abgelegt werden: “\\wsl$\Debian\usr\share\tesseract-ocr\5.00\tessdata”.
Nun wählen Sie auf Github das gewünschte Schrift- oder Sprachmodell aus und klicken anschließend entweder auf „View Raw“ oder „Download“ und laden das Modell herunter. Jetzt können Sie es aus dem Download-Ordner ausschneiden und in den Tessdata-Ordner einfügen. Auch hier sollten Sie bei den Spezialmodellen der UB auf eine handliche Umbenennung setzen.

Welches Modell soll ich auswählen?

2. Anwendung von Tesseract

2.1 Verarbeitung einzelner Bilder

  1. Zunächst Pfad angeben: dazu einfach im Fenster, in welchem die Dateien abliegen: SHIFT+Rechtsklick  „Hier Linux-Shell öffnen“
  2. Oder Pfad händisch eingeben, aber Achtung Pfade werden in Linux anders angegeben als unter Windows: Beispiel für Windows Pfad: C:\Users\Larissa\Documents\Tesseract Test Entsprechende Benennung in Linux: Linux: /mnt/c/Users/Larissa/Documents/Tesseract_Test
  3. Geben Sie in der Linux-Kommandozeile ein: 
    $ cd "/mnt/c/Users/muster/Documents/Tesseract Test"
  4. Bestätigen Sie Ihre Eingabe mit Enter
  5. Und geben Sie nun den Befehl zur Transkription ein: 
    $ tesseract <Name der Inputdatei> <Name der Outputdatei> -l <Modell> <gewünschte Formate wie pdf txt; mehrere durch Leerzeichen trennen>

    → es können auch weitere Parameter spezifiert werden:

    $ tesseract <Name der Inputdatei> <Name der Outputdatei> -l <Modell> --<oem ocrenginemode> --<psm pagesegmode> [Outputformate]

    Beispiel:

    $ tesseract img01.jpg ocrimg01 -l frak2021 pdf txt alto

Tesseract kann nur nicht mit lokal verfügbaren Dateien umgehen sondern auch mit auf entferten Servern liegenden. Dazu wird nur die URL zum jew. Bild benötigt und anstatt dem Pfad zu lokalen Datei verwendet:

$ tesseract <URL> <Name der Outputdatei> -l <Modell> <gewünschte Outputformate wie pdf txt; mehrere durch Leerzeichen trennen>

2.2 Verarbeitung mehrerer Bilder

Hierfür gibt es drei Optionen:
Für alle Optionen zuerst im Ordner der zu verarbeitenden Bild durch Shift + Rechtsklick ein Linux-Fenster öffnen, dadurch wird Pfad automatisch eingefügt.
Durch folgenden Befehl, kann angezeigt werden, welche Bilder das Programm findet:

$ find -name \*.<Bilddateientyp z.B. jpg oder png>

Beispiel:

$ find -name \*.jpg

Option 1 über find:

$ find -name \*.<Bilddateientyp> | while read f; do tesseract -l <Modell> $f ${f%.<Bilddateientyp> }<evtl. Ausgabedatei>; done

→ erstellt automatisch Textdateien, ansonsten muss vor Semikolon andere Ausgabedatei geschrieben werden

Beispiel:

$ find -name \*.jpg | while read f; do tesseract -l deu $f ${f%.jpg}; done

Option 2 zur parallelen Verabeitung:

$ find -name \*.<Bilddateientyp> -maxdepth 1 | parallel -j 4 --progress 'tesseract {} {.} -l <Modell> <eventuell Ausgabedatei>'

Beispiel:

$ find -name \*.jpg -maxdepth 1 | parallel -j 4 --progress 'tesseract {} {.} -l deu pdf'

Option 3 über fd-find (hierfür muss zunächst fd-find installiert werden):

$ apt-get install fd-find

Anschließend:

$ fdfind -e <Bilddateientyp> -d 1 --exec tesseract -l <Modell> {} {.} <evtl. Ausgabedatei>

Beispiel:

$ fdfind -e jpg -d 1 --exec tesseract -l deu {} {.} hocr