Windows上的Perl Image:：OCR:：Tesseract模块

有人知道在Windows上安装“Image:：OCR:：Tesseract”模块的优雅方法吗？由于名为“LEOCHARRE:：CLI”的*NIX-only模块依赖关系，该模块无法通过CPAN在Windows上安装。运行“Image:：OCR:：Tesseract”本身似乎不需要此模块

我首先手动安装makefile.pl（除了“LEOCHARRE:：CLI”）中列出的依赖模块，然后将模块文件移动到“C:\Perl\site\lib\Image\OCR”下的正确目录结构，从而使模块正常工作。使其工作的最后一部分是修改从命令行调用ImageMagick和Tesseract可执行文件的代码部分，以便在模块调用可执行文件时在程序名周围加引号

---

这是可行的，但如果在Windows上运行的repo上在生产系统上安装PPM或CPAN，我会感觉更好。

没关系，我知道了，尽管我无法决定什么是更好的解决方案

要使安装程序通过传统的“perl makefile.pl，make，make test，make install”例程在Windows上运行，需要编辑makefile.pl脚本，包括缺少的Windows安装模块（Devel:：AssertOS:：MSWin32），并修补AssertEXE.pm以使用“File:：What”而不是内置shell“What”Windows缺少的命令。所有这些仍然需要对“Image:：OCR:：Tesseract”进行修补，以便在从命令行执行“convert”和“Tesseract”时在程序名周围加上引号

考虑到让安装程序在Windows上工作所涉及的步骤数量，以及模块没有为模块创建要链接到的二进制组件这一事实，我认为在Windows上安装和使用Tesseract模块的最佳选择是首先安装以下二进制包：

ImageMagick

特塞拉特

接下来，找到您的Perl模块目录——在我的系统上是“C:\Perl\site\lib”。创建一个文件夹“图像”，如果你没有。接下来，打开图像文件夹并创建一个名为“OCR”的文件夹。打开OCR文件夹。此时，您的路径应该是“C:\Perl\site\lib\Image\OCR”的路径。创建一个名为“Tesseract.pm”的新文本文件，并复制以下内容

package Image::OCR::Tesseract;
use strict;
use Carp;
use Cwd;
use String::ShellQuote 'shell_quote';
use Exporter;
use vars qw(@EXPORT_OK @ISA $VERSION $DEBUG $WHICH_TESSERACT $WHICH_CONVERT %EXPORT_TAGS @TRASH);
@ISA = qw(Exporter);
@EXPORT_OK = qw(get_ocr get_hocr _tesseract convert_8bpp_tif tesseract);
$VERSION = sprintf "%d.%02d", q$Revision: 1.24 $ =~ /(\d+)/g;
%EXPORT_TAGS = ( all => \@EXPORT_OK );


BEGIN {
   use File::Which 'which';
   $WHICH_TESSERACT = which('tesseract');
   $WHICH_CONVERT   = which('convert');
   
   if($^O=~m/MSWin/) {
      $WHICH_TESSERACT='"'.$WHICH_TESSERACT.'"';
      $WHICH_CONVERT='"'.$WHICH_CONVERT.'"';
   }
   $WHICH_TESSERACT or die("Is tesseract installed? Cannot find bin path to tesseract.");
   $WHICH_CONVERT or die("Is convert installed? Cannot find bin path to convert.");
}

END {
   scalar @TRASH or return;
   if ( $DEBUG ){
      print STDERR "Debug on, these are trash files:\n".join("\n",@TRASH) ;
   }
   else {
      unlink @TRASH;
   }
}

sub DEBUG { Carp::cluck("Image::OCR::Tesseract::DEBUG() deprecated") }

sub get_hocr {
   my ($abs_image,$abs_tmp_dir,$lang)= @_;
   -f $abs_image or croak("$abs_image is not a file on disk");
   my $hocr="hocr";
   if(defined $abs_tmp_dir){

      -d $abs_tmp_dir or die("tmp dir arg $abs_tmp_dir not a dir on disk.");

      $abs_image=~/([^\/]+)$/ or die("cant match filename in path arg '$abs_image'");
      my $abs_copy = "$abs_tmp_dir/$1";

      # TODO, what if source and dest are same, i want it to die
      require File::Copy;
      File::Copy::copy($abs_image, $abs_copy) 
         or die("cant make copy of $abs_image to $abs_copy, $!");

      # change the image to get ocr from to be the copy
      $abs_image = $abs_copy;
      # since it's a copy. erase that on exit
      push @TRASH, $abs_image;      
   }

   my $tmp_tif = convert_8bpp_tif($abs_image);
   
   push @TRASH, $tmp_tif; # for later delete

   _tesseract($tmp_tif,$lang,$hocr) || '';
}

sub get_ocr {
   my ($abs_image,$abs_tmp_dir,$lang)= @_;
   -f $abs_image or croak("$abs_image is not a file on disk");
   if(defined $abs_tmp_dir){

      -d $abs_tmp_dir or die("tmp dir arg $abs_tmp_dir not a dir on disk.");

      $abs_image=~/([^\/]+)$/ or die("cant match filename in path arg '$abs_image'");
      my $abs_copy = "$abs_tmp_dir/$1";

      # TODO, what if source and dest are same, i want it to die
      require File::Copy;
      File::Copy::copy($abs_image, $abs_copy) 
         or die("cant make copy of $abs_image to $abs_copy, $!");

      # change the image to get ocr from to be the copy
      $abs_image = $abs_copy;
      # since it's a copy. erase that on exit
      push @TRASH, $abs_image;      
   }

   my $tmp_tif = convert_8bpp_tif($abs_image);
   
   push @TRASH, $tmp_tif; # for later delete

   _tesseract($tmp_tif,$lang) || '';
}

sub convert_8bpp_tif {
   my ($abs_img,$abs_out) = (shift,shift);
   defined $abs_img or die('missing image arg');

   $abs_out ||= $abs_img.'.tmp.'.time().(int rand(9000)).'.tif';
   
   my @arg = ( $WHICH_CONVERT, $abs_img, '-compress','none','+matte', $abs_out );
   
   #die (join(" ", @arg));
   
   system(@arg) == 0 or die("convert $abs_img error.. $?");

   $DEBUG and warn("made $abs_out 8bpp tiff.");
   $abs_out;
}



# people expect tesseract to automatically convert

*tesseract = \&_tesseract;
sub _tesseract {
    my ($abs_image,$lang,$hocr) = @_;
   defined $abs_image or croak('missing image path arg');
   
   $abs_image=~/\.tif+$/i or warn("Are you sure '$abs_image' is a tif image? This operation may fail.");
   
   #my @arg = (
   #   $WHICH_TESSERACT, shell_quote($abs_image), shell_quote($abs_image), 
   #   (defined $lang and ('-l', $lang) ), '2>/dev/null'
   #); 

   my $cmd = 
      ( sprintf '%s %s %s', 
         $WHICH_TESSERACT, 
         shell_quote($abs_image), 
         shell_quote($abs_image) 
      ) .
      ( defined $lang ? " -l $lang" : '' ) .
      ( defined $hocr ? " hocr" : '' ) .
      "  2>/dev/null";
   $DEBUG and warn "command: $cmd";

    system($cmd); # hard to check ==0 

    my $txt = $abs_image.($hocr?".html":".txt");
   unless( -f $txt ){      
        Carp::cluck("no text output for image '$abs_image'. (No text file '$txt' found on disk)");
      return;
   }

    $DEBUG and warn "Found text file '$txt'";
   
   my $content = (_slurp($txt) || '');   
   $DEBUG and warn("content length of text in '$txt' from image '$abs_image' is ". length $content );
   push @TRASH, $txt;

   $content;
}

sub _slurp {
   my $abs = shift;
   open(FILE,'<', $abs) or die("can't open file for reading '$abs', $!");
   local $/;
   my $txt = <FILE>;
   close FILE;
   $txt;
}  

1;


__END__

#sub _force_imgtype {
#   my $img = shift;
#   my $type = shift;
#   my $delete_original = shift;
#   $delete_original ||=0;
#   
#
#   if($img=~/\.$type$/i){
#      return $img;
#   }
#
#   my $img_out= $img;
#   $img_out=~s/\.\w{1,5}$/\.$type/ or die("cant get file ext for $img");
#
#
#
#}

---

就这样。凌乱，我知道，但是没有好的方法可以绕过这样一个事实：模块安装程序确实需要更新以支持Windows（和其他）系统，即使实际的模块代码几乎不需要修改就可以运行。实际上，如果将Tesseract和ImageMagick安装到没有空格的路径，则“Image:：OCR:：Tesseract”模块代码将不需要任何更改，但这一微小的调整使支持的可执行文件可以安装在任何位置，包括默认位置。

您可能应该在上分享您的发现。如果我解决了一些小问题，我将在接下来的几天内尝试直接与作者联系。他在CPAN上的反应似乎不是很积极，但我今天早些时候找到了他的主页。进一步更新：我在发布此问题后不久就试图联系模块作者，但没有任何回应。可悲的是，我认为我们必须考虑这个Perl模块是在废弃的范畴。瑞克：你能推荐一个好的和积极的Perl模块吗？我正在启动一个项目，在这个项目中，我必须从图像中读取文本。即使在当前“被放弃”的状态下，图像：：OCR：：Tesseract似乎仍然是最好的选择（对于Perl）。实际上，由于命令行Tesseract可执行文件正在为您完成大部分工作，因此编写这种类型的模块并不难。一组新代码需要做的就是处理图像到TIFF的转换，将正确的参数传递给Tesseract，然后收集并返回输出。

use Image::OCR::Tesseract;
my $image = 'SomeImageFileThatContainsText.jpg';

my $text = Image::OCR::Tesseract::get_ocr($image);

print "Text...\n";
print $text."\n";

print "Normal Exit\n";

exit;