如何在R中提取PNG文件里的竖排韩汉混合文本

针对你的两个问题，以下是基于R的tesseract和magick包的具体解决方法：

1. 提取竖排（从上到下、从右到左）文本 #

竖排文本的识别核心是让Tesseract正确识别文本方向，有两种可行方案：

方案一：旋转图片转换为横排后识别 #

通过旋转图片将竖排文本转为横排，再调整字符顺序还原正确阅读逻辑：

• 使用magick将图片逆时针旋转90度，把竖排文本转为横排（此时每行字符顺序是反向的）
• 识别旋转后的图片，再反转每行的字符顺序，得到正确的文本内容

方案二：直接配置Tesseract识别方向 #

无需旋转图片，通过设置Tesseract的页面分割模式（psm）和文本方向参数，让引擎直接识别竖排文本：

• 设置psm=5（适配单个垂直文本块）
• 设置tessedit_orientation=4（对应垂直从上到下、从右到左的文本布局）

2. 同时提取韩语和中文文本 #

Tesseract支持多语言混合识别，只需在初始化引擎时传入多个语言代码，同时下载对应的语言包即可：

• 韩语代码：kor
• 繁体中文代码：chi_tra（老旧海报多为繁体，优先选择）
• 简体中文代码：chi_sim

完整代码示例 #

方案一（旋转图片法） #

library(tesseract)
library(magick)
library(pdftools)

# 下载所需语言包
tesseract_download("kor")
tesseract_download("chi_tra")

# 初始化多语言引擎
bilingual_engine <- tesseract(c("kor", "chi_tra"))

# 转换PDF为PNG（如果输入是PDF）
pngfile <- pdftools::pdf_convert("/Users/R/USEFULRCODES/example2.pdf")

# 读取图片并逆时针旋转90度
img <- image_read(pngfile)
rotated_img <- image_rotate(img, 90)  # 逆时针旋转90度

# 识别旋转后的图片
raw_text <- ocr(rotated_img, engine = bilingual_engine)

# 分割文本为行，反转每行字符，再合并
processed_text <- paste(sapply(strsplit(raw_text, "\n"), function(line) {
  if(nchar(line) > 0) paste(rev(strsplit(line, "")[[1]]), collapse = "") else line
}), collapse = "\n")

# 输出结果
cat(processed_text)

方案二（直接配置引擎法） #

library(tesseract)
library(magick)
library(pdftools)

# 下载所需语言包
tesseract_download("kor")
tesseract_download("chi_tra")

# 初始化带竖排识别配置的多语言引擎
vertical_bilingual_engine <- tesseract(
  c("kor", "chi_tra"),
  options = list(
    tessedit_pageseg_mode = 5,  # 单个垂直文本块模式
    tessedit_orientation = 4    # 垂直从上到下、从右到左的文本方向
  )
)

# 转换PDF为PNG
pngfile <- pdftools::pdf_convert("/Users/R/USEFULRCODES/example2.pdf")

# 直接识别竖排文本
text <- ocr(pngfile, engine = vertical_bilingual_engine)

# 输出结果
cat(text)

注意事项 #

• 如果海报是简体中文，将chi_tra替换为chi_sim即可
• 老旧海报可能存在模糊、噪点问题，可先用magick的image_trim()、image_contrast()等函数预处理图片，提升识别准确率

内容的提问来源于stack exchange，提问作者LL J