Python 如何使Tesseract更快

这是一个远大的目标，但我不得不问。我需要任何可能使Tesseract OCR引擎更快的想法。我正在处理200万个PDF文件，其中包含大约2000万页的文本，我需要尽我所能获得每一点性能。目前的估计是，如果我什么都不做，这将需要大约一年的时间来完成

我已经调整了输入图像以获得一些增强效果，但我需要考虑其他方法。我不认为图像的改进在这一点上对我有任何帮助

例如：

• 可以用优化标志或类似的东西重新编译Tesseract吗
• 共享CPU内存或GPU可以投入使用吗
• 我能告诉Tesseract使用更多的内存吗（我有很多这样的内存）
有没有其他方法能使CPU绑定的C++程序更快？

目前，Tesseract由我们的任务运行程序芹菜运行，芹菜使用多处理来完成其工作。这样，我可以使服务器看起来像这样：

---

我（显然）不知道我在说什么，因为我是一个Python开发者，TestSerACT是用C++编写的，但是如果有任何方法能促进这里的话，我会喜欢想法。p> 我也有巨大的OCR需求，而Tesseract的速度非常慢。我最后去了一家餐馆。不过，你不必自己建造它；您可以使用像这样的高性能库，它恰好易于使用

那么问题有两个部分：

1） 将字符与非字符分开。
2） 将字符送入网络

假设您批量输入大小为

1000

的字符，将每个字符的大小调整为尺寸

8 x 8

（64像素），并且希望识别26个字母（小写和大写）、10个数字和10个特殊字符（总共72个字形）。然后，解析所有1000个字符的结果是两个（非关联！）矩阵乘积：

（

A

dot

B

）dot

C

A

将是

1000 x 64

矩阵，

B

将是

64 x 256

矩阵，

C

将是

256 x 72

矩阵

对我来说，这比Tesseract快几个数量级。只要测试一下你的计算机能以多快的速度完成那些矩阵积（元素是浮点数）

矩阵积是非关联的，因为在第一个矩阵积之后，必须应用一个称为ReLU的（廉价）函数

我花了几个月的时间让整个enchilada从头开始工作，但OCR是我项目的主要部分

此外，分割字符也很重要。根据你的PDF，它可以是任何东西，从计算机视觉的简单练习到人工智能的开放研究问题

---

我不是说这是最简单或最有效的方法。。。这就是我所做的

谢谢你的回复。这听起来像是一个非常令人印象深刻的设置。不幸的是，我们没有资源做类似的事情。