【发布时间】：2011-03-22 15:25:25
【问题描述】：
我在 PDF 中找到了一个公共领域的拉丁语葡萄牙语词典，我想将其转换为纯文本、解析并用作程序的数据库。然而，经过一些测试，我有点怀疑。看看original file 和resulting text of gocr。有没有希望我可以通过某种方法达到 99% 以上的准确率？我想到了 reCaptcha 的数据库，但我猜它是 Google 的财产，不是吗？
谢谢！
【问题讨论】：
-
字典本身有低质量的字符。您将必须进行认真的培训，即使那样，您也必须通过它进行更正。根据这篇文章 (splitbrain.org/blog/2010-06/15-linux_ocr_software_comparison)，tesseract 可能更适合你。尽管最重要的是更清洁的扫描。
-
您是否有任何理由想要扫描这本词典，而不是仅仅使用 WordNet 等现有资源？
-
因为它是一本拉丁文葡萄牙文字典，而不是英文字典！
-
tesseract的输出，虽然还不够完美，但确实好很多！ 500f31248c1dd135.paste.se
标签： artificial-intelligence nlp computer-vision ocr