【发布时间】：2017-09-22 00:55:22
【问题描述】：
我正在对保存在我的数据库中的一些pdf、image、tiff 文件进行tesseract 转换。但是在这样做的同时，我从各种文件中得到了很多垃圾文本输出。例如，在这种情况下，图像给了我以下文本输出。
“‘55“ .'Hï¬ï¬jï¬tï¬tf‘N‘Dfli’iisifagï¬'aï¬ffl‘rfé-wt-“ï¬â€˜-:-'!W',fl':ï¬fm:afJuirzv-int'g-v "3.0:†_‘ l 1: v .w
From:Beaver Medical Internal Med. 909 797 8922 06/28/2016 11:24 #946 RODS/006
如您所见，它在开头添加了一些额外的特殊字符。
只想知道是否有任何控制参数可以从输出中删除此类特殊字符，因为许多输入文件都会发生这种情况。
注意：这不是原始图像，这只是我正在转换为文本的pdf屏幕截图的一部分，并且输出是原始输出的一部分。
我的问题与 Limit characters tesseract is looking for 不相似，因为该问题是为了忽略字母以外的内容，但在我的情况下，输出文本中有一些不需要的字母、数字，我需要在使用 @987654330 后将其删除@我在输出文本的开头仍然收到错误的文本he fhawfyhftiwlwwfuisipgkggfawfarwtwofrrletitwtfilfmjafgurrwsnnve mania a i v a an，它也删除了数字。所以只想问有没有什么办法可以去掉开头出现的这些不需要的字母、特殊字符、数字。
【问题讨论】：
-
@sashoalm 这样做后我得到了这个，他 fhawfyhftiwlwwfuisipgkggfawfarwtwofrrletitwtfilfmjafgurrwsnn 狂热 a i v a izromrseaver 医疗内部倾斜 sos min seaa oslaelaoie urea asses ptoosloos 数字消失了。我还想要数字可以做什么，还需要删除不需要的文本，例如他 fhawfyhftiwlwwfuisipgkggfawfarwtwofrrletitwtfilfmjafgurrwsnnve mania a i v a an from starting.
-
我也尝试在配置中添加这个
tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz0123456789@.，但输出是h5g11hwvwhfvt7713fybcfuisiwiggfiwfarwtrtnifrrleiixwtfhfmjafguiuwginnve mam.u a 5 1r v .w lzromrseaver medical internal tilled. 909 797 8922 0612812016 11124 91946 p.0051006，所以仍然存在问题。你能帮忙吗？ -
@VibhorBhatnagar 此文本 -
From:Beaver Medical Internal Med. 909 797 8922 06/28/2016 11:24 #946 RODS/006- 来自上述问题的tesseract输出除了垃圾字符的引导线吗？如果是这样，看起来OCR的准确性仍然需要提高，因为仍然识别出一些不正确的字符？ -
@thewaywewere 是的，此文本是
tesseract输出以及垃圾字符的引导行。在这种情况下可以做什么？