OCRエンジンのTesseract（テッセラクト）を用いて画像ファイル内のテキストを抽出してみた - Qiita

背景 画像ファイル（帳票データのスキャン）から、Tesseract（テッセラクト）を用いて、テキストデータをサクッと抽出できたので、備忘録として、整理した。 Tesseract（テッセラクト）は、日本語にも対応したOCRエンジン オープンソースでライセンス（関連記事1．）は「Apache License 2.0」ということで、商用利用も可能 Tesseract 4 からは、RNN (Recurrent Neural Network) を拡張したLSTM(Long short-term memory)をベースとしたOCRエンジン（AI-OCR）も搭載されており、これを利用することで、抽出精度も期待できる（と思う） サポート言語は、『tesseract/doc/tesseract.1.asc』 から数えたところ、117個存在した（2020/7/25時点） １．導入 最初に、『tesseract