Tesseract - 空格和制表符的歧义答案

【问题标题】：Tesseract - ambiguity in space and tabTesseract - 空格和制表符的歧义
【发布时间】：2013-08-06 19:39:47
【问题描述】：

我有一个 tiff 文件，其中包含一些由制表符分隔的文本（4 个空格）。但是当我从这个 tiff 图像文件中提取文本时，我总是在两列之间得到一个空格。一个示例：

TIFF IMAGE:
col-a    col-b    col-c

desired output:
col-a    col-b    col-c

but I am getting the following:
col-a col-b col-c

我尝试了多张相同格式的图像，但结果始终相同。我该如何解决这个问题？我可以训练 tesseract 来理解这一点吗？

【问题讨论】：

【解决方案1】：

经过很长时间的研究，我找到了解决方案。以下是要遵循的步骤

preserve_interword_spaces 0

或

preserve_interword_spaces 1

【讨论】：

【解决方案2】：

Tesseract 将连续的空格压缩为一个。您需要修改 baseapi.cpp 以保留空格。代码更改可以在以下帖子中找到：

【讨论】：

我不是 C++ 程序员。我无法在 vs 2005 中打开项目，并且我没有 vs 2008 来编译更改。如何获取编译好的库？
您仍然可以获得 VC++ 2008 Express。 stackoverflow.com/questions/15318560/…
@nguyenq : GetUtf8Text 函数的代码在baseapi.cpp 模块中发生了变化，你能解释一下如何在当前安装的 tesseract-ocr 中实现相同的代码
添加了对preserve_interword_spaces变量的支持，无需修改源代码。
@nguyenq ：但是，-c preserve_interword_spaces=1 通过 命令行 的选项对 右对齐 文本没有帮助，它转换为左对齐，如 answer 中给出的。此外，表格数据列几乎是连接在一起的，我希望这些列看起来分开且不同以方便查看。