閱讀PDF書籍時(shí)如果該書是掃描版的那么記筆記就需要手打文字。個(gè)人感覺及其麻煩（主要還是懶）。所以想著實(shí)現(xiàn)一個(gè)簡(jiǎn)單的圖片轉(zhuǎn)文字小工具提升一下自己的閱讀效率。
操作系統(tǒng)：Ubuntu18.04
編程語言：Python3.6
1. 監(jiān)聽文件夾
使用系統(tǒng)自帶的截圖工具（Ubuntu為screenshot，快捷鍵是Shift+PrtSc）選擇截取屏幕，screenshot會(huì)將截取的圖片自動(dòng)保存到“/home/用戶/圖片”目錄下，那么我只需要監(jiān)聽該目錄就可以獲取到截取的圖片。
使用Python文件監(jiān)聽工具pyinotify來實(shí)現(xiàn)目錄監(jiān)聽。使用pip3 install pyinotify安裝該模塊，具體監(jiān)聽代碼如下：
class EventHandler(ProcessEvent):
def process_IN_CREATE(self, event):
text = os.path.join(event.path,event.name)
print(text)
def auto_compile(path='.'):
wm = WatchManager()
mask = IN_CREATE
notifier = ThreadedNotifier(wm, EventHandler())
notifier.start()
wm.add_watch(path, mask, rec=True, auto_add=True)
while True:
try:
notifier.process_events()
if notifier.check_events():
notifier.read_events()
except KeyboardInterrupt:
notifier.stop()
break
代碼參考
pyinotify使用的是Linux底層的Inotify機(jī)制。
2. 使用tesseract-ocr識(shí)別獲取的圖片
獲取到截取的圖片的地址后就可以通過Python的tesserocr模塊調(diào)用tesseract-ocr來識(shí)別圖片中的文字。具體代碼如下：
def image2word(path):
try:
time.sleep(1) # 停1秒，否則可能會(huì)讀取圖片失敗
image = Image.open(path)
words = tesserocr.image_to_text(image)
print(words)
except (OSError, NameError):
print("os error")
Ubuntu下安裝tesserocr
- 安裝tesseract-ocr：sudo apt-get install -y tesseract-ocr libtesseract-dev libleptonica-dev。
- 查看語言支持：tesseract --list-langs。
- 安裝語言：
git clone https://github.com/tesseract-ocr/tessdata.git
sudo mv tessdata/* /usr/share/tesseract-ocr/tessdata - 安裝 tesserocr：pip3 install tesserocr pillow。
筆者安裝使出現(xiàn)error: command 'x86_64-linux-gnu-gcc' failed with exit status 1 '錯(cuò)誤。解決辦法。
3. 使用pyperclip模塊將識(shí)別后的文字添加到剪切版
- 在Ubuntu中使用該模塊需要先安裝xsel和xclip。
sudo apt-get install xsel
sudo apt-get install xclip - 使用pip安裝pyperclip：pip3 install pyperclip。
- 具體代碼只需要一行：pyperclip.copy(words)。
源碼
改善目標(biāo)
- 使用Python實(shí)現(xiàn)截圖后解析替代使用系統(tǒng)自帶截圖工具。
- 提高中文識(shí)別率。
- 解決跨平臺(tái)問題。
