tesseract - 为什么我在通过 Tesseract 获取文本时会得到额外的字符（箭头符号）？

Question

每当我获取任何语言的文本时，输出都会有这个额外的字符（箭头符号），它在图像中不存在。我想了解它为什么存在，以及如何在输出中避免这些额外的字符。

标签： tesseract

Answer 1

这很可能是隐式页面分隔符\f，记事本显示为该箭头。有关该主题的一些详细信息，请参阅：Tesseract 4.0.0 在 txt 输出中使用了哪些页面分隔符？

您可以尝试添加-c page_separator=""到您的配置中。你不应该在你的输出中看到那个符号。请注意，分页符也被完全禁用。