python - Bad tesseract 截图识别结果

Question

我正在尝试对从其他程序捕获的文本进行 PyTesseract 识别。结果出人意料地糟糕。我认为这是一个简单的问题，因为 20 多年前扫描的文档识别已经相当不错了。

例如，我得到

"win32¢gui.EnumWindows(enum_cb, toplist)

winInfos = [(hwnd, title) for hwnd, title in winlist if
print("™sd process(es) found" % Len(winInfos))

wininfo = winInfos[@]

hwnd = wininfo[@]

# w2 = win32gui.Findwindow(None, “"Chrome")

for i in range(10):

 
eel eee"

如果没有缩放以及不同的背景和文本颜色，情况会更糟。

我不需要完美的解决方案（这是相当实验性的项目），但至少需要一些足够的东西。我对如何实现/解决这个问题的方法没有太多限制。仅限于 Windows 和 Python 也是非常可取的。我或多或少地了解 Python，并且在整个编程方面经验丰富，但在文本识别方面是新手。

Tesseract 是我尝试的第一个库。我读过它是最好的之一。我已经知道它喜欢大字体（尽管对于所有相同符号看起来总是相同的屏幕截图，我认为 8 像素高度就足够了）。并查看缩放和使所有背景和文本颜色相等的帮助，但还不够。我将识别具有不同文本颜色和背景的表格的内容，因此最好不要绊倒这些东西。

我看到的解决方法：

• 增加源程序中的字体以获得“真正的”更高分辨率（不确定这是否有足够的帮助），
• 在我的字体上训练 Tesseract（快速搜索发现这很无聊 - 包含 20 个步骤的说明或我没有的 Python 脚本），
• 尝试其他库。

你能推荐什么？

谢谢

标签： pythonwindowsocrscreen-scraping