登录 注册

小白配置思源笔记本地 OCR（可能是手把手）

本贴最后更新于 552 天前，其中的信息可能已经时移世异

最近选择换用了思源作为主力笔记软件，惊喜的发现思源居然支持 OCR 功能，但是 OCR 是基于 Tessercat 的方案，安装比较复杂，作为一个小白，记录下来，以备不时之需。

安装 Tessercat

首先，需要前往下载 Tessercat OCR Windows ：点击前往（安装包是按照时间顺序排列的，因此翻到最后下载就可）。

下载完成后双击安装，语言选择英语（别的也看不懂）。

请在这里寻找你需要添加识别的语言

大部分人应该都是添加简体中文，这里有两个，我百度了一下，vertical 貌似是竖排的意思

记住自己的安装目录哦，后面还会考的。

配置环境变量

这部分，我是参考下面这篇文章来操作的，会不会有多余的步骤我也看不懂，只能期待有大佬指出了

Tesseract-OCR-02-Tesseract-OCR 的安装与 环境变量配置

在控制面板里找到 [系统属性]，不过我就偷懒直接搜 [编辑系统环境变量] 了

点击框红的 [环境变量] 按钮

下面两张图一起看哦，分别在自己的用户变量和系统变量的 Path 里添加你 Tessercat 的安装目录，如果你和我一样没改的话，就直接复制粘贴我的就好了，两个都有添加哦（教程这么写的，如果有多余步骤还请大佬们指正）

C:\Program Files\Tesseract-OCR

随后在系统变量里，新建一个变量名称为：TESSDATA_PREFIX

值为：刚才路径加上 \tessdata

如果你和我一样是默认路径的话，那就是下面的

C:\Program Files\Tesseract-OCR\tessdata

这样的话，OCR 功能就配置好了，重新打开思源笔记，就可以进行 ocr 了。

当然，在这里你也可以参考 思源笔记用户指南 ，对环境变量做进一步配置。

  • 思源笔记

    思源笔记是一款隐私优先的个人知识管理系统，支持完全离线使用，同时也支持端到端加密同步。

    融合块、大纲和双向链接，重构你的思维。

    22338 引用 • 89384 回帖
2 引用
请教图片 OCR 怎么用？ • wilsons
OCR 支持设置 api，一键全部识别，OCR 内容内置于图片，支持搜索 • Lanternight
10 感谢
2 关注
25 收藏
7 赞同
2 引用
17 回帖
3
2
3.1k 1.1k 117 1.1k 60 16 782

相关帖子

17 回帖
小白配置思源笔记本地 OCR（可能是手把手）

欢迎来到这里！

我们正在构建一个小众社区，大家在这里相互信任，以平等 • 自由 • 奔放的价值观进行分享交流。最终，希望大家能够找到与自己志同道合的伙伴，共同成长。

注册 关于
请输入回帖内容 ...
  • hhailing •
    订阅者 支持者 捐赠者

    感谢这样好的教程！

    1 回复
  • Momowuwen •
    付费者

    难得有这么详细的手把手指导教程，对于很多的小白用户太有用了。

    可惜我的是 macos 系统，有没有人能出一个 macos 系统的教程呀？

    3 回复
  • feihuo •
    付费者 作者

    谢谢鼓励

  • feihuo •
    付费者 作者

    我也是琢磨了很久才成，想着把步骤记录下来，不过我目前手头没有 mac 设备，期待其他大佬了

  • Reader • • 1
    付费者 支持者 捐赠者

    步骤很详细，我提一个小点，这样下载下来的 OCR 数据包是 fast 数据包，也就是相对来说 OCR 速度最快但是不太准确

    如果想要相对更高的识别率，可以在下载完之后去 tessdata 的安装目录把 fast 数据包替换成 best 数据包，识别准确率会有一定程度的上升

    参考来源：三组 tessdata 数据包对比

    image.png

    2 回复
  • leolee •
    订阅者 捐赠者 恶龙

    转载请求:请求转载这篇文档到知乎李大嘴 - 知乎 (zhihu.com)。

  • feihuo •
    付费者 作者

    感谢大佬补充

  • vague •
    订阅者 支持者 勇士

    感谢！！不然我真的搞不灵！！！

  • jpanda •
    订阅者

    首先我们可以借助于 brew 工具安装 tesseract。

    brew install tesseract

    安装完成后，使用命令可以发现本地还没有语言数据：

    image.png

    我们可以从下面几个地址下载语言模型,下面给出的模型识别速度由快到满，准确率由低到高：

    根据上图的第一行报错，我的模型默认加载目录为/opt/local/share/tessdata/，但你的目录地址大概率和我不一致，如果不想使用该目录，可以自己创建一个目录，然后使用一个名为 TESSDATA_PREFIX 的环境变量指向该目录。

    可以通过执行下面的命令配置该环境变量，注意修改目录地址:

    echo "TESSDATA_PREFIX=你的目录地址">~/.bashrc

    当然，我们也可以同时创建多个目录，将不同的模型放到不同的目录下，并通过 TESSDATA_PREFIX 环境变量进行切换。

    接下来就是下载将模型存放到你的加载目录中去了,这里建议找个多线程下载工具进行下载，我看了下 best 包，该包解压前 1.77GB，当然也可以直接使用 git 命令直接将文件 clone 到对应的目录下。

    如果不需要使用多个模型，建议直接进行下面操作即可：

    首先移除掉模型目录下的所有文件，否则 git 命令会执行失败,这里不提供脚本，是考虑到很多新手低估了 rm 命令的能力，所以建议通过 finder 移除

    # 首先移除掉模型目录下的所有文件，这里不提供脚本，是考虑到很多新手，所以建议通过finder移除
# 切换到模型目录下
cd /opt/local/share/tessdata/
# 然后将模型直接clone到本目录下
sudo git clone --depth=1  https://ghproxy.com/https://github.com/tesseract-ocr/tessdata_best.git .

    如果你不需要多模型，进行到这一步就结束了，你的模型已经可以使用了。

    如果你想要同时保留多个模型，可以通过下面的方式，首先还是新建一个空目录，然后切换到该目录，将不同的模型 clone 到该目录下：

    这里为了加速下载，我使用了 https://ghproxy.com/进行加速。

    sudo git clone --depth=1  https://ghproxy.com/https://github.com/tesseract-ocr/tessdata_fast.git
sudo git clone --depth=1  https://ghproxy.com/https://github.com/tesseract-ocr/tessdata.git
sudo git clone --depth=1  https://ghproxy.com/https://github.com/tesseract-ocr/tessdata_best.git

    然后你就会在该目录下得到三个模型分别对应的文件夹：

    testdata
testdatabest
testdatafast

    然后修改环境变量 TESSDATA_PREFIX 的值使其对应一个具体的模型目录，还是以 testdatabest 为例：

    #TESSDATA_PREFIX=你的目录地址/testdatafast
#TESSDATA_PREFIX=你的目录地址/testdata
TESSDATA_PREFIX=你的目录地址/testdatabest
  • jpanda •
    订阅者

    如果你不使用 brew 工具，也可以使用 macports 进行安装，点击查看官方文档。

    使用 macports 的的方法官网中已经给出了，执行下面命令即可：

    sudo port install tesseract

    同时，使用 macports 工具也可以直接下载指定的语言模型，有效模型可以在 上查看，或者你也可以参考前面安装语言模型的方法，手动处理模型，这里就不赘述了，再给一个 macports 配置国内源的脚本吧：

    # 将原本的默认源替换成清华源
sudo sed -i '' 's@^#\{0,1\}rsync://.*$@rsync://mirrors.tuna.tsinghua.edu.cn/macports/release/tarballs/ports.tar [default]@' /opt/local/etc/macports/sources.conf
# 修改rsync_server和rsync_dir
sudo sed  -e '
/^#\{0,1\}rsync_server/c \ 
rsync_server    mirrors.tuna.tsinghua.edu.cn
/^#\{0,1\}rsync_dir/c \ 
rsync_dir    macports/release/tarballs/base.tar' macports.conf
# 更新源
sudo port -v selfupdate
  • jidenanian •
    付费者

    这个 OCR 能不能不要自动 OCR，需要 OCR 了再针对指定的图片进行 OCR，或者只 OCR 当前打开页面的图片

  • siyuan241 •
    付费者

    很棒，成功了

  • Lanternight •
    付费者 捐赠者

    太感谢了。教程做的很详细，运行起来没啥问题咯

  • yw1551 • • 1 评论
    付费者

    不知道是不是思源新版本的问题，我这装了不行

    现在已经不需要这个了，思源已经内置
    ilovesiyuan •
  • daloo •
    付费者

    非常棒的教程，一路操作下来完成的很顺利，就是我的扫描版的 pdf 文字识别不知道从哪里调用 😂

    跟我的版本是 V2.12.2 有关吗

  • realysy •

    很好！设置了 TESSDATA_PREFIX 环境变量之后 ocr 不乱码了！！我是 msys2 安装的 tesseract 和语言包

  • Banbanzhi •

    小白提问，怎么替换呀，楼主能不能再展开说说

请输入回帖内容 ...
feihuo
回帖
8
 帖子
1
 积分
906

近期热议

推荐标签 标签

  • 人工智能

    人工智能（Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

    132 引用 • 189 回帖
  • Pipe

    Pipe 是一款小而美的开源博客平台。Pipe 有着非常活跃的社区，可将文章作为帖子推送到社区，来自社区的回帖将作为博客评论进行联动（具体细节请浏览 B3log 构思 - 分布式社区网络）。

    这是一种全新的网络社区体验，让热爱记录和分享的你不再感到孤单！

    132 引用 • 1114 回帖 • 124 关注
  • 百度

    百度（Nasdaq：BIDU）是全球最大的中文搜索引擎、最大的中文网站。2000 年 1 月由李彦宏创立于北京中关村，致力于向人们提供“简单，可依赖”的信息获取方式。“百度”二字源于中国宋朝词人辛弃疾的《青玉案·元夕》词句“众里寻他千百度”，象征着百度对中文信息检索技术的执著追求。

    63 引用 • 785 回帖 • 175 关注
  • Postman

    Postman 是一款简单好用的 HTTP API 调试工具。

    4 引用 • 3 回帖 • 3 关注
  • Kafka

    Kafka 是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。 这种动作（网页浏览，搜索和其他用户的行动）是现代系统中许多功能的基础。 这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。

    36 引用 • 35 回帖
  • GraphQL

    GraphQL 是一个用于 API 的查询语言，是一个使用基于类型系统来执行查询的服务端运行时（类型系统由你的数据定义）。GraphQL 并没有和任何特定数据库或者存储引擎绑定，而是依靠你现有的代码和数据支撑。

    4 引用 • 3 回帖 • 9 关注
  • Mobi.css

    Mobi.css is a lightweight, flexible CSS framework that focus on mobile.

    1 引用 • 6 回帖 • 733 关注
  • Sphinx

    Sphinx 是一个基于 SQL 的全文检索引擎，可以结合 MySQL、PostgreSQL 做全文搜索，它可以提供比数据库本身更专业的搜索功能，使得应用程序更容易实现专业化的全文检索。

    1 引用 • 210 关注
  • Oracle

    Oracle（甲骨文）公司，全称甲骨文股份有限公司（甲骨文软件系统有限公司），是全球最大的企业级软件公司，总部位于美国加利福尼亚州的红木滩。1989 年正式进入中国市场。2013 年，甲骨文已超越 IBM，成为继 Microsoft 后全球第二大软件公司。

    105 引用 • 127 回帖 • 382 关注
  • 开源中国

    开源中国是目前中国最大的开源技术社区。传播开源的理念，推广开源项目，为 IT 开发者提供了一个发现、使用、并交流开源技术的平台。目前开源中国社区已收录超过两万款开源软件。

    7 引用 • 86 回帖
  • BAE

    百度应用引擎（Baidu App Engine）提供了 PHP、Java、Python 的执行环境，以及云存储、消息服务、云数据库等全面的云服务。它可以让开发者实现自动地部署和管理应用，并且提供动态扩容和负载均衡的运行环境，让开发者不用考虑高成本的运维工作，只需专注于业务逻辑，大大降低了开发者学习和迁移的成本。

    19 引用 • 75 回帖 • 642 关注
  • 机器学习

    机器学习（Machine Learning）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

    83 引用 • 37 回帖 • 1 关注
  • Love2D

    Love2D 是一个开源的， 跨平台的 2D 游戏引擎。使用纯 Lua 脚本来进行游戏开发。目前支持的平台有 Windows, Mac OS X, Linux, Android 和 iOS。

    14 引用 • 53 回帖 • 531 关注
  • Hprose

    Hprose 是一款先进的轻量级、跨语言、跨平台、无侵入式、高性能动态远程对象调用引擎库。它不仅简单易用，而且功能强大。你无需专门学习，只需看上几眼，就能用它轻松构建分布式应用系统。

    9 引用 • 17 回帖 • 611 关注
  • PWL

    组织简介

    用爱发电 (Programming With Love) 是一个以开源精神为核心的民间开源爱好者技术组织，“用爱发电”象征开源与贡献精神，加入组织，代表你将遵守组织的“个人开源爱好者”的各项条款。申请加入：用爱发电组织邀请帖。
    用爱发电组织官网：https://programmingwithlove.stackoverflow.wiki/

    用爱发电组织的核心驱动力：

    • 遵守开源守则，体现开源&贡献精神：以分享为目的，拒绝非法牟利。
    • 自我保护：使用适当的 License 保护自己的原创作品。
    • 尊重他人：不以各种理由、各种漏洞进行未经允许的抄袭、散播、洩露；以礼相待，尊重所有对社区做出贡献的开发者；通过他人的分享习得知识，要留下足迹，表示感谢。
    • 热爱编程、热爱学习：加入组织，热爱编程是首当其要的。我们欢迎热爱讨论、分享、提问的朋友，也同样欢迎默默成就的朋友。
    • 倾听：正确并恳切对待、处理问题与建议，及时修复开源项目的 Bug ，及时与反馈者沟通。不抬杠、不无视、不辱骂。
    • 平视：不诋毁、轻视、嘲讽其他开发者，主动提出建议、施以帮助，以和谐为本。只要他人肯努力，你也可能会被昔日小看的人所超越，所以请保持谦虚。
    • 乐观且活跃：你的努力决定了你的高度。不要放弃，多年后回头俯瞰，才会发现自己已经成就往日所仰望的水平。积极地将项目开源，帮助他人学习、改进，自己也会获得相应的提升、成就与成就感。
    1 引用 • 487 回帖
  • jQuery

    jQuery 是一套跨浏览器的 JavaScript 库，强化 HTML 与 JavaScript 之间的操作。由 John Resig 在 2006 年 1 月的 BarCamp NYC 上释出第一个版本。全球约有 28% 的网站使用 jQuery，是非常受欢迎的 JavaScript 库。

    63 引用 • 134 回帖 • 724 关注
  • 外包

    有空闲时间是接外包好呢还是学习好呢？

    26 引用 • 232 回帖 • 2 关注
  • gRpc
    11 引用 • 9 回帖 • 73 关注
  • GitLab

    GitLab 是利用 Ruby 一个开源的版本管理系统，实现一个自托管的 Git 项目仓库，可通过 Web 界面操作公开或私有项目。

    46 引用 • 72 回帖
  • Node.js

    Node.js 是一个基于 Chrome JavaScript 运行时建立的平台， 用于方便地搭建响应速度快、易于扩展的网络应用。Node.js 使用事件驱动， 非阻塞 I/O 模型而得以轻量和高效。

    139 引用 • 269 回帖 • 43 关注
  • 以太坊

    以太坊（Ethereum）并不是一个机构，而是一款能够在区块链上实现智能合约、开源的底层系统。以太坊是一个平台和一种编程语言 Solidity，使开发人员能够建立和发布下一代去中心化应用。 以太坊可以用来编程、分散、担保和交易任何事物：投票、域名、金融交易所、众筹、公司管理、合同和知识产权等等。

    34 引用 • 367 回帖
  • Swift

    Swift 是苹果于 2014 年 WWDC（苹果开发者大会）发布的开发语言，可与 Objective-C 共同运行于 Mac OS 和 iOS 平台，用于搭建基于苹果平台的应用程序。

    36 引用 • 37 回帖 • 529 关注
  • webpack

    webpack 是一个用于前端开发的模块加载器和打包工具，它能把各种资源，例如 JS、CSS（less/sass）、图片等都作为模块来使用和处理。

    41 引用 • 130 回帖 • 261 关注
  • 坑

    一些有用的避坑指南。

    69 引用 • 93 回帖
  • CongSec

    本标签主要用于分享网络空间安全专业的学习笔记

    1 引用 • 1 回帖 • 9 关注
  • 支付宝

    支付宝是全球领先的独立第三方支付平台，致力于为广大用户提供安全快速的电子支付/网上支付/安全支付/手机支付体验，及转账收款/水电煤缴费/信用卡还款/AA 收款等生活服务应用。

    29 引用 • 347 回帖
  • NGINX

    NGINX 是一个高性能的 HTTP 和反向代理服务器，也是一个 IMAP/POP3/SMTP 代理服务器。 NGINX 是由 Igor Sysoev 为俄罗斯访问量第二的 Rambler.ru 站点开发的，第一个公开版本 0.1.0 发布于 2004 年 10 月 4 日。

    311 引用 • 546 回帖

最新标签