选择使用 Tesseract OCR 提取的部分文本

Question

我在 R 中使用最新的 Tesseract OCR 引擎从几个图像中提取文本。它工作得很好，我对结果很满意。问题是我不想要整个文本，只想要一部分，但我不知道如何提取它。

代码是这样的：

library("tesseract") 
library("pdftools")
library("magick")

mypdfFile<-"C:/Users/.../fileName.pdf"

mypngFile<-pdf_convert(mypdfFile, format="png", pages=1, dpi=600)

myImage<-image_read("fileName_1.png")

textFile<-ocr(myImage,engine = tesseract("spa"), HOCR = FALSE) # Text is in spanish

cat(textFile) 

现在，最终结果是这样的

bla bla bla bla bla bla 
bla text that I want to 
extract bla bla bla bla 
bla bla bla bla bla bla  

我怎样才能获得我想要提取的文本？

我尝试在应用 ocr() 函数之前裁剪图像，但仅裁剪该部分是不可行或非常准确的。 ocr() 返回纯文本。

下面的完整示例

图片（最初为 pdf 文件）是电费单。由于隐私问题，我无法完整提供，但看起来像 sample image。在NOMBRE Y DIRECCION（名称和地址）下，应该有两行（一行带有名称，另一行带有地址），后跟“GALEANA CENTRO LERDO. C.P.”（城市名称）和“35150 LERDO,DGO”。 （邮政编码和州）。我的代码是这样的

myImage<-image_read("sampleImage.png")

myImage<-image_crop(myImage, new dimensions) #crop the right half and some from the top

textFile<-ocr(myImage,engine = tesseract("spa"), HOCR = FALSE) 

cat(textFile) 

我明白了

Nombre y Domicilio
NAME REDACTED 
ADDRESS REDACTED
GALEANA CENTRO LERDO. C.P.
35150 LERDO, DGO.
Cuenta E Tarifa
30DC27B011164660 General < 25kW 02
AE A MA E
Num. de Lectura Lectura Mult. C
Medidor actual anterior
BD6687 40994 40539 1 ¿
Apoyo gubernamental

我只想从中提取“名称已编辑”和“35150 LERDO，DGO”之间的所有内容。包括的。

Answer 1

如果您知道您的文本在哪里，您可以先裁剪图像，或者您可以使用 whitelist 来限制 tesseract 正在寻找的内容，请参阅 here.

---

编辑： 在 cmets 之后，我们确实可以检索到地址，这里使用逻辑“提到“地址”的那一行之后的两行

text <- ("Nombre y Domicilio
NAME REDACTED 
ADDRESS REDACTED
GALEANA CENTRO LERDO. C.P.
35150 LERDO, DGO.
Cuenta E Tarifa
30DC27B011164660 General < 25kW 02
AE A MA E
Num. de Lectura Lectura Mult. C
Medidor actual anterior
BD6687 40994 40539 1 ¿
Apoyo gubernamental")

library(dplyr)
text2 <- strsplit(text, "\n") %>% unlist()
addressline <- which(grepl("address", text2, ignore.case = T))
addresslines <- c(addressline+1:2)
address_extracted <- text2[addresslines]
address_extracted
[1] "GALEANA CENTRO LERDO. C.P." "35150 LERDO, DGO."