1
 26

Analysez le texte

scantext

POST https://tesseractor.com/api/v1/scantext?login=&password=

loginVotre code d'identification.
passwordVotre mot de passe.
multipart/form-data
fileContenu du PDF ou de l'image JPG, PNG ou GIF en binaire.
langLangue du texte.
psmMode d'analyse du texte.
outType de sortie.
firstpagePremière page à traiter dans un PDF.
lastpageDernière page à traiter dans un PDF.
resolutionRésolution en dpi de l'image générée pour chaque page d'un PDF.
textExtraction directe du seul texte en clair d'un PDF.
imagesExtraction directe des seules images d'un PDF.
rotateRotation des images.
cropDécouper les images. Découper le texte.
reframeRecadrer les images sur un fond.
unborderSupprimer les lignes de bordure.
resizeRedimensionner les images.
negateInverser les couleurs.
normalizeAjouter du contraste aux couleurs.
colorspaceConvertir en niveaux de gris.
unsharpAccentuer les contours.
dotsSupprimer les points blancs.

lang - langue du texte :  eng,  fra,  deu,  spa,  ita ou  rus. Spécifiez plusieurs langues en les séparant par un +, e.g. fra+eng. NOTE : L'ordre est important.

psm - Page Segmentation Mode : 1 - Automatic page segmentation with OSD (Orientation and Script Detection), 3 - Fully automatic page segmentation, but no OSD, 4 - Assume a single column of text of variable sizes, 6 - Assume a single uniform block of text).

out - sélection du type de sortie :   txt   hocr   box.

Indiquez le mode d'extraction de chaque page d'un PDF :

firstpage : Numéro de la première page à traiter,
lastpage : Numéro de la dernière page à traiter,
resolution : résolution de l'image générée en dpi - 50, 75, 100, 125, 150 ou 200. IMPORTANT : Si une page ne contient qu'une image et aucun texte, l'image est systématiquement directement extraite du document,
images : 1 - extraire uniquement directement toutes les images.

Activez les options de traitement de chaque image avant analyse :

rotate : 180 pour retourner l'image, -90 ou 90 pour la tourner vers la gauche ou vers la droite,
crop -  : découper l'image à la taille spécifiée par une largeur et une hauteur séparées par un x à partir d'une position spécifiée par des coordonnées x et y précédées par un + en pixels pour la résolution donnée, e.g. 640x200+50+80,
reframe -  : recadrer l'image sur un fond avec un niveau de flou entre 1 et 20, e.g. 5,
unborder -  : retirer les bordures avec, séparées par un x, la largeur et la hauteur maximum d'un texte entre 10 et 1000 pixels, e.g. 30x30,
resize -  : redimensionner l'image de 50, 75, 125, 150 ou 200 %,
negate -  : 1 - inverser les couleurs,
normalize -  : 1 - ajouter du contraste aux couleurs,
colorspace -  : 1 - convertir les couleurs en niveaux de gris,
unsharp -  : 1 - accentuer les contours,
dots -  : 1 - supprimer les points blancs.

IMPORTANT : Les options de traitement d'une image sont effectués dans l'ordre ci-dessus.

Pour extraire le texte en clair d'un PDF, utilisez les options suivantes :

text : 1 - extraire uniquement directement le texte en clair d'un PDF,
firstpage : Numéro de la première page à traiter,
lastpage : Numéro de la dernière page à traiter,
resolution : résolution de l'image d'une page d'un PDF en dpi - 50, 75, 100, 125, 150 ou 200,
crop -  : extraction du texte dans la zone définie par une largeur et une hauteur séparées par un x à partir d'une position spécifiée par des coordonnées x et y précédées par un + en pixels pour la résolution donnée, e.g. 640x200+50+80.

Pour avoir une bonne compréhension des effets de ces paramètres, testez-les dans l'interface de votre espace personnel.

fox.jpg

$ curl -s --fail --show-error -X POST "https://tesseractor.com/api/v1/scantext?login=abcdef&password=ABCDEF" -F "lang=eng" -F "psm=6" -F "file=@fox.jpg" -o -
The quick brown fox
jumps over
the lazy dog.

Le texte est lu avec Tesseract en mode 6 - Assume a single uniform block of text - avec les données entraînées pour la langue anglaise.

legal_fr.pdf • 381k
legal_fr.pdf

$ curl -s --fail --show-error -X POST "https://tesseractor.com/api/v1/scantext?login=abcdef&password=ABCDEF" -F "lang=fra" -F "psm=4" -F "out=hocr" -F "resize=125" -F "unsharp=1" -F "file=@legal_fr.pdf" -o ocr.html

Le PDF est une photocopie qui contient 1 image par page. Le texte est lu avec Tesseract en mode 4 - Assume a single column of text of variable sizes - après un redimensionnement des images à 125 % et une accentuation des contours. La sortie est formatée en HTML.

Affichez le HTML dans votre navigateur :

$ firefox ocr.html

Essayez en ajoutant -F "images=1" à la ligne de commande. Comme le PDF ne contient qu'une seule image par page, le processus est identique, à peine plus rapide.

$ curl -s --fail --show-error -X POST "https://tesseractor.com/api/v1/scantext?login=abcdef&password=ABCDEF" -F "lang=fra" -F "psm=4" -F "out=hocr" -F "resolution=150" -F "file=@legal_fr.pdf" -o ocr.html

Le texte est lu avec Tesseract en mode 4 - Assume a single column of text of variable sizes - après la génération d'une image par page avec une résolution de 150 dpi.

Ce PDF est le résultat de la fonction Imprimer dans un fichier du navigateur sur la page Mentions légales du site. Si vous passez l'option images=1, aucune n'image n'est trouvée, et le résultat est un fichier vide. NOTE : Si vous téléchargez ce PDF dans l'interface de votre espace personnel, vous pouvez directement récupérer le texte en clair sans l'analyser.

Téléchargez le code des fonctions sendpost et file_mime_type de la librairie iZend. Copiez les fichiers dans l'espace de votre application.

NOTE : Reportez-vous à la page Appelez l'API du service pour une description des fonctions sendpost et file_mime_type.

Ajoutez le fichier scantext.php avec le contenu suivant :

  1. require_once 'sendhttp.php';
  2. require_once 'filemimetype.php';

Charge le code des fonctions sendpost et file_mime_type.

  1. function scantext($login, $password, $file, $lang='eng', $psm='3', $out='txt', $output='ocr.txt', $params=false) {

Définit la fonction scantext. $login est votre code d'identification. $password est votre mot de passe. $file est le chemin d'accès du fichier PDF, JPEG, PNG ou GIF à analyser. $lang est la langue du texte, e.g. 'fra' ou 'fra+eng'. $psm spécifie le mode d'analyse du texte, i.e. 1, 3, 4 ou 6. $out est le format de sortie, i.e. txt, hocr ou box. $output donne le nom du fichier qui contiendra le texte ou le HTML retourné par l'analyse de $file. $params est un tableau associatif contenant les noms et les valeurs des paramètres spécifiant le mode d'extraction de chaque page d'un PDF et les options de traitement de chaque image avant analyse, e.g. array('resolution' => 125, 'unsharp' => true)).

  1.     $curl = 'https://tesseractor.com/api/v1/scantext' . '?' . 'login=' . urlencode($login) . '&' . 'password=' . urlencode($password);

Met $curl à l'URL de l'action scantext avec le code d'identification et le mot de passe du compte de l'utilisateur. $login et $password doivent être échappés.

  1.     $args = array(
  2.         'lang'      => $lang,
  3.         'psm'       => $psm,
  4.         'out'       => $out,
  5.     );
  6.  
  7.     $args = array_merge($args, $params);

Prépare la liste des arguments du POST.

  1.     $files=array('file' => array('name' => basename($file), 'tmp_name' => $file, 'type' => file_mime_type($file)));

Prépare la liste des fichiers attachés au POST : file - le fichier PDF, JPEG, PNG ou GIF à analyser avec le nom du fichier, le chemin d'accès au fichier et son type MIME.

  1.     $response=sendpost($curl, $args, $files);

Envoie la requête HTTP avec sendpost. Les arguments login et password sont déjà dans $curl.

  1.     if (!$response or $response[0] != 200) {
  2.         return false;
  3.     }

Si $response vaut false, le serveur est inaccessible. Si $response[0] ne contient pas le code de retour HTTP 200 Ok, une erreur d'exécution s'est produite. En cas d'erreur, scantext retourne false.

  1.     return @file_put_contents($output, $response[2]);
  2. }

Retourne true si le texte ou le HTML retourné par la requête a bien été écrit dans le fichier de sortie, sinon false.

EXEMPLE

En supposant que vous avez sauvé les fichiers sendhttp.php, filemimetype.php et scantext.php dans le répertoire courant, lancez PHP en mode interactif, chargez la fonction scantext et appelez-la avec votre code d'identification et votre mot de passe, le chemin d'accès à un fichier PDF, JPEG, PNG ou GIF, un langage, un mode d'analyse, un type de sortie et le nom du fichier en sortie en argument :

$ php -a
php > require_once 'scantext.php';
php > scantext('abcdef', 'ABCDEF', 'file.pdf', 'fra', '4', 'hocr', 'ocr.html', array('resolution' => 125, 'unsharp' => true));
php > quit

Affichez le résultat en HTML dans votre navigateur :

$ firefox ocr.html

Ajoutez la balise suivante dans la section <head> du fichier HTML en sortie pour afficher les mots lus en rouge en passant la souris sur le texte :

<style>
.ocrx_word:hover {color:#f30}
</style>
VOIR AUSSI

Appelez l'API du service, LIsez les codes barres

Commentaires

Pour ajouter un commentaire, cliquez ici.