一种从扫描的图像和pdf中检索文本的快速而肮脏的方式。

遇到无法搜索和查找文本或复制特定内容的扫描文档时，可能会有点烦人。在大多数情况下，这只是耸耸肩带来的不便，但是许多重要的文档，特别是那些大于一两页的文档，确实可以从提取文本中获益。事实上，当我试图购买我的第一套房子时，我很惊讶，销售合同是一张扫描的图像，我无法通过文本搜索具体的条款。扫描的这一特殊陷阱也影响到了许多公共文档，包括根据信息自由法发布的文档，旧书/文件的扫描，人们签名和拍照的任何东西。freedom of information act

解决方案是什么？

有一些文本吸引工具可以帮助你做到这一点。所有三大云提供商，AWS、Google Cloud和Azure都有某种形式的计算机视觉服务，可以从图像中收集洞察力。它们有各种各样的功能，甚至可以从图像中识别物体并给它们贴上标签，但今天我们只想让我们的计算机从图片中读取文本！AWS Google Cloud Azure

为什么选择谷歌云？

我选择Google Cloud主要是因为它丰富的语言支持。我有几本孟加拉(我的母语)旧书想要扫描一下，然后转换成可搜索的文本，所以熟悉Google Cloud Vision API对我更有好处。与只支持五种语言的AWS相比，这是相当令人印象深刻的。five languages

价格比较

在价格方面，AWS和谷歌没有太大区别，前1000页/图片是免费的，然后每1000个收费1.5美元。在AWS，在第一个100万台之后，价格变成了每千台0.6美元，而有了Google Cloud，第一个500万台之后的价格变成了0.6美元。Azure没有赠品，但整体价格要便宜一些，前100万台每千台1美元，之后每千台0.65美元。

让我们摘录一些文本！

首先，创建一个项目，设置身份验证，并从您的Google Cloud帐户启用Google Cloud API(如果您还没有注册)。作为该过程的一部分，您将生成一个可以访问云API的服务帐户。create a project, set up authentication and enable the Google Cloud API sign up

不要忘记在命令行上将生成的服务帐户的服务密钥json设置为环境变量。service key

export GOOGLE_APPLICATION_CREDENTIALS=”KEY_PATH”

克隆scan2text存储库。 scan2text

git clone https://github.com/shouvSarker/scan2text.git

加载节点版本并安装包。

nvm use
npm install

要从图像中提取文本，请运行以下命令。它将在您的本地目录中创建一个带换行符的文本文件，如图所示。

node scan2textImage.js /path/to/image path/to/output/text

要从pdf中提取文本，请运行以下命令。它会将提取的文本保存在一个json文件中(带有pdf中看到的附加样式和定位信息，以及感知到的准确性)，保存在您的Google Cloud存储桶中的一个文件夹中。

node scan2textPdf.js bucketname filename outputfolder

Text_Detect与Document_Text_Detect

文档提取(可用于application/pdf和image/tiff)仅适用于位于Google云存储中的文件，并且比文本提取精确得多。但是，解释输出的json文件需要一些繁重的工作，因此不适合无缝文本提取。从图像中提取文本(TEXT_EXTRACTION)非常有用，即使对于扫描并转换为图像的文档，结果也相当准确，并将文本块作为输出。对于一般用途，图像文本提取可能更适合大多数用例。

结束了！

现在你知道了，把人们埋葬在难以理解的文书工作中变得更加困难了！这也适用于手写笔记，但根据手写质量的不同，可能不会那么准确。