R语言OCR文本清洗：合并断行并生成句子级向量/列表

问题分析 #

当前OCR识别结果存在两个核心问题：

• 完整句子被不合理拆分为多行
• 文本中存在多余空格干扰

以下是针对性的优化方案：

优化步骤 #

1. 增强图片预处理（提升OCR准确率） #

在现有预处理流程中加入阈值处理，进一步强化文本与背景的对比度，减少识别误差：

image_greek <- image_greek %>% 
  image_scale("600") %>% 
  image_crop("600x400+220+150") %>% 
  image_convert(type = 'Grayscale') %>% 
  image_contrast(sharpen = 1) %>% 
  image_threshold(type = "white", threshold = "40%") %>% # 新增阈值处理，突出文本
  image_write(format="jpg")

2. OCR后文本清洗与句子拆分 #

先合并所有换行内容，清理多余空格，再按句子标点（句号、问号、感叹号）拆分，得到每个元素对应一个完整句子的向量：

heraclitus_sentences <- magick::image_read(image_greek) %>% 
  ocr() %>% 
  str_replace_all("\n", " ") %>% # 将换行符替换为空格，合并断行内容
  str_squish() %>% # 清理所有多余空格（合并连续空格、去除首尾空格）
  str_split("(?<=[.!?])\\s+") # 按句子结束符后的空格拆分，保留标点在句尾

完整优化代码 #

heraclitus <- "greek.png"
library(tidyverse)
library(tesseract)
library(magick)

# 图片预处理
image_greek <- image_read(heraclitus) %>% 
  image_scale("600") %>% 
  image_crop("600x400+220+150") %>% 
  image_convert(type = 'Grayscale') %>% 
  image_contrast(sharpen = 1) %>% 
  image_threshold(type = "white", threshold = "40%") %>% 
  image_write(format="jpg")

# OCR识别+文本清洗+句子拆分
heraclitus_sentences <- magick::image_read(image_greek) %>% 
  ocr() %>% 
  str_replace_all("\n", " ") %>% 
  str_squish() %>% 
  str_split("(?<=[.!?])\\s+") %>% 
  pluck(1) # 将拆分后的列表转为向量，方便后续处理

关键说明 #

• str_squish() 自动处理所有冗余空格，包括单词间的连续空格、文本首尾空格
• str_split("(?<=[.!?])\\s+") 使用正向零宽断言，确保拆分后每个句子保留结尾标点，且仅在句子结束后的空格处拆分
• pluck(1) 去除外层列表结构，直接得到每个元素为完整句子的向量

内容的提问来源于stack exchange，提问作者zachi