主页 / ubuntu / 问题 / 1276440
Accepted
izri_zimba
Asked: 2020-09-21 00:29:14 +0800 CST

为什么 tesseract 将 ^L 附加到输出

  • 772

我正在使用 tesseract 对图像中的一些文本进行 OCR，例如这个：

在此处输入图像描述

我的 Ubuntu 20.04 上有这个版本的 tesseract：

$ tesseract --version
tesseract 4.1.1
 leptonica-1.79.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 2.0.3) : libpng 1.6.37 : libtiff 4.1.0 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.1
 Found AVX2
 Found AVX
 Found FMA
 Found SSE
 Found libarchive 3.4.0 zlib/1.2.11 liblzma/5.2.4 bz2lib/1.0.8 liblz4/1.9.2 libzstd/1.4.4

调用它如下：

tesseract example.png output txt

但是，当我output.txt在 vim 中打开文件时，我^L在最后一行看到如下：

在此处输入图像描述

那个字符的含义是什么？为什么它附加在最后一行？有可能摆脱它吗？

我查看了 的手册页tesseract，但找不到任何相关内容。

command-line ocr tesseract

1 个回答

  1. Best Answer

    我假设tesseract在文本末尾添加一个新页面（ASCII“换页”）字符。您可以使用以下方法删除它：

    sed -i 's/^L//' output.txt

    要^L在上述命令中输入字符，请先输入Ctrl+ V，然后再输入Ctrl+ L。

    对于 GNU sed，您也可以简单地使用以下命令：

    sed  -i 's/\x0c//' output.txt

    作为一种更直接的方法，您可以使用以下-c选项：

    tesseract -c page_separator="" example.png output txt

    所以你在输出文件中不会有任何“页面分隔符”。

    • 3

相关问题