Convertendo imagens e documentos em texto puro (.txt)

Publicado por Ruan em 28/10/2020

[ Hits: 808 ]

 


Convertendo imagens e documentos em texto puro (.txt)



Nessa dica vou apresentar o comando tesseract para transformar qualquer imagem e/ou documento pdf em txt!

Para instalar no Debian e derivados (Ubuntu, Mint, Elementary):

sudo apt install tesseract-ocr

Em outras distribuições, procure pelo nome "tesseract" nos repositórios.

Agora, para converter em texto:

tesseract document.pdf document

O primeiro parâmetro é o arquivo de entrada para conversão, e o segundo parâmetro é o arquivo de saída para salvar o arquivo .txt. O tesseract salva automaticamente o arquivo de saída com a extensão .txt.

No caso dos arquivos de imagens (.jpg, .png), quanto mais nítido for o texto melhor será o resultado no arquivo texto de saída.

Para mais informações:

man tesseract

Exemplo de arquivo de entrada (print em .png tirado dessa dica):
Exemplo de arquivo de saída em .txt:
Outras dicas deste autor

Montando um disco virtual (.vdi) no sistema hospedeiro

mysqldump - Unknown table 'COLUMN_STATISTICS' in ... [Resolvido]

Bot com Fortune

Aplicativos portáteis no Linux

Roadmap.sh: o que eu preciso estudar para me tornar um bom desenvolvedor?

Leitura recomendada

Substituição de palavras no VIM

Visualizando processos com o htop

Como instalar o plugin flash no Debian

Listar um arquivo de baixo para cima

Comandos do smbclient

  

Comentários
[1] Comentário enviado por mauricio123 em 04/11/2020 - 21:03h


Divino, melhor que aqueles programas do windows.

___________________________________________________________
[code]Conhecimento não se Leva para o Túmulo.
https://github.com/MauricioFerrari-NovaTrento [/code]

[2] Comentário enviado por mauricio123 em 04/11/2020 - 21:06h


Funciona como OCR, pelo que eu tô vendo.

___________________________________________________________
[code]Conhecimento não se Leva para o Túmulo.
https://github.com/MauricioFerrari-NovaTrento [/code]



Contribuir com comentário