具有表格或行的文档的Tesseract OCR文本顺序

我正在使用将扫描的PDF转换为纯文本。总的来说，这是非常有效的，但我有问题的顺序，文本扫描。带有表格数据的文档似乎是逐列向下扫描，而更自然的方式似乎是逐行扫描。一个非常小的例子是：

This is column A, row 1   This is column B, row 1    This is column C, row 1
This is column A, row 2   This is column B, row 2    This is column C, row 2

正在生成以下文本：

This is column A, row 1
This is column A, row 2
This is column B, row 1
This is column B, row 2
This is column C, row 1
This is column C, row 2

---

我开始阅读文档，并使用猜测和测试、蛮力方法，但如果有人已经解决了类似的问题，我将感谢对修复的深入了解。它也可能是一些训练数据，但我不知道具体是如何工作的。

尝试在一列中运行tesseract：

tesseract input.tif输出文件名--psm 6

默认情况下，Tesseract在分割图像时需要一页文本。如果您只是想对小区域进行OCR，请使用

-psm

参数尝试不同的分段模式。请注意，在裁剪过紧的文本中添加白色边框也会有所帮助，请参见第398期

要查看支持的页面分段模式的完整列表，请使用

tesseract-h

。以下是截至3.21的[编辑：仅摘录]列表：

全自动页面分割，但没有OSD。（默认）

假设有一列大小可变的文本

假设一个统一的垂直对齐文本块

假设一个统一的文本块。

---

参见此处的示例：

我知道这是一个老问题，但我一直在为类似问题而挣扎，并发现输出是解决方案。运行

tesseract input.tif output-filename hocr

将创建

输出文件.hocr

（基本上是HTML），为每个短语的边界框提供坐标。由您决定如何从这些数据（可能使用输入图像的维度）重建表

---

与其他答案一样，指定一些特定的参数可能有助于将表中的短语正确分组，但坐标将提供所需的精确结果。

您需要使用以下配置

#Read Image
r = Image.open('8.png')
r.load()
#Converting inmage to text with preserving interline spaces
text = pytesseract.image_to_string(r,config='-c preserve_interword_spaces=1x1 --psm 
1 --oem 3' )

或

另一种解决方案是围绕文本绘制等高线，将所有等高线保存在单独的文件中，并根据其x、y坐标对其进行排序。之后，您只需从每个图像中提取文本并按需要显示。

命令不应该是：“tesseract input.tif output filename-psm 6”吗？请注意psm参数之前的单个hifen