PHP e Tesseract per estrarre testo dalle immagini (OCR)

Link copiato negli appunti

L'estrazione di testo dalle immagini è una pratica comune che trova applicazione in vari ambiti, come la digitalizzazione di documenti, la lettura automatica di segnali e molto altro. In questo articolo scopriremo come configurare un'applicazione PHP che utilizza Tesseract OCR (Optical Character Recognition) per eseguire questa operazione. Inizieremo con l'installazione di PHP e delle dipendenze necessarie. Poi passeremo alla scrittura del codice.

Requisiti di sistema, non solo PHP

Prima di iniziare, assicurati di avere i seguenti requisiti di sistema:

PHP: assicurati di avere installato PHP (versione 8.1 o successiva).
Composer: è necessario avere Composer installato per gestire le dipendenze PHP.
Tesseract: dovrai installare Tesseract OCR sul tuo sistema.

Installazione di Composer

Se non hai già installato Composer, puoi farlo seguendo questi passaggi:

Su Windows:

scarica il programma di installazione di Composer da getcomposer.org.
Segui le istruzioni per completare l'installazione.

Su Linux o Mac apri il terminale e esegui i seguenti comandi:

php -r "copy('https://getcomposer.org/installer', 'composer-setup.php');"
php -r "if (hash_file('sha384', 'composer-setup.php') === 'e21cc3a01d5d67f2d7c22a8431b928c9be486f42c02db8d46f32e80fcd241d62da68253f736d3b7e2c91c45f25f5a8a9f') { echo 'Installer verified'; } else { echo 'Installer corrupt'; unlink('composer-setup.php'); } echo PHP_EOL;"
php composer-setup.php
php -r "unlink('composer-setup.php');"

Creazione del progetto

Crea una cartella per il tuo progetto, ad esempio SCANNER, e naviga al suo interno:

mkdir SCANNER
cd SCANNER

Configurazione di Composer

Crea un file composer.json nella cartella del tuo progetto con il seguente contenuto:

{
    "name": "nyash/come-and-go",
    "autoload": {
        "psr-4": {
            "Nyash\\ComeAndGo\\": "src/"
        }
    },
    "authors": [
        {
            "name": "lucio",
            "email": "tuaemail@email.com"
        }
    ],
    "require": {
        "thiagoalessio/tesseract_ocr": "^2.13",
        "intervention/image": "^3.8"
    },
    "require-dev": {
        "symfony/var-dumper": "^7.1"
    }
}

Quindi, esegui il seguente comando per installare le dipendenze:

composer install

Struttura del progetto

Crea la seguente struttura di cartelle all'interno della tua cartella di progetto SCANNER:

SCANNER
│
├── functions
│   └── scanner.php
├── uploads
├── index.php
└── composer.json

Il file PHP index.php

Crea un file chiamato index.php e aggiungi il seguente codice:

<?php require __DIR__ . '/functions/scanner.php'; ?>
<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document Reader</title>
    <link href="https://cdn.jsdelivr.net/npm/bootstrap@5.2.1/dist/css/bootstrap.min.css" rel="stylesheet">
</head>
<body>
    <div class="container mt-5">
        <div class="row mt-5">
            <div class="col-sm-8 mx-auto">
                <div class="jumbotron">
                    <h1 class="display-4">Scanner</h1>
                    <p class="lead">
                        <?php if ($_POST) : ?>
                    <div class="card mt-4">
                        <div class="card-header bg-primary text-white">
                            <h4>Risultato dell'OCR</h4>
                        </div>
                        <div class="card-body bg-light p-4 rounded">
                            <p class="text-dark text-center" style="white-space: pre-wrap; word-wrap: break-word;">
                                <?php echo htmlspecialchars($fileRead ?? '', ENT_QUOTES, 'UTF-8'); ?>
                            </p>
                        </div>
                    </div>
                <?php endif; ?>
                    </p>
                    <hr class="my-4">
                </div>
            </div>
        </div>
        <div class="row col-sm-8 mx-auto">
            <div class="card mt-5">
                <div class="card-body">
                    <form action="" method="post" enctype="multipart/form-data">
                        <div class="form-group">
                            <label for="filechoose">Choose File</label>
                            <input type="file" name="file" class="form-control-file" id="filechoose">
                            <button class="btn btn-success mt-3" type="submit" name="submit">Upload</button>
                        </div>
                    </form>
                </div>
            </div>
        </div>
    </div>
    <script src="https://code.jquery.com/jquery-3.6.1.min.js"></script>
</body>
</html>

Spiegazione del codice

inclusione del file scanner.php: all'inizio utilizziamo require per includere il file scanner.php, dove gestiremo l'elaborazione dell'immagine.
Struttura HTML: abbiamo una semplice interfaccia utente costruita con Bootstrap. Include un titolo, un modulo per caricare file e una sezione per mostrare i risultati dell'OCR.
Visualizzazione dei risultati: se il modulo viene inviato (controllato con $_POST) quando disponibile verrà visualizzato il risultato dell'OCR,. Utilizziamo htmlspecialchars per evitare problemi di sicurezza legati a XSS.

Creazione del file PHP scanner.php

Ora creiamo un file chiamato scanner.php all'interno della cartella functions. Questo file conterrà la logica per gestire il caricamento dell'immagine, l'elaborazione con Tesseract e la visualizzazione del testo estratto:

<?php
use thiagoalessio\TesseractOCR\TesseractOCR;
use Intervention\Image\ImageManager;
use Intervention\Image\Drivers\Gd\Driver;
require __DIR__ . '../vendor/autoload.php';
if ($_SERVER['REQUEST_METHOD'] == 'POST') {
    if (isset($_POST['submit'])) {
        $file_name = $_FILES['file']['name'];
        $tmp_file = $_FILES['file']['tmp_name'];
        // Inizio della sessione se non esiste già
        if (!session_id()) {
            session_start();
        }
        // Creazione di un nome file unico
        $unique_file_name = uniqid() . '_' . time() . '_' . str_replace(
            array('!', '@', '#', '$', '%', '^', '&', ' ', '*', '(', ')', ':', ';', ',', '?', '/' . '\\', '~', '`', '-'),
            '_',
            strtolower($file_name)
        );
        // Percorso completo del file caricato
        $image_path = 'uploads/' . $unique_file_name;
        // Sposta il file caricato nella directory "uploads"
        if (move_uploaded_file($tmp_file, $image_path)) {
            $manager = new ImageManager(new Driver());
            // Apri l'immagine caricata
            $image = $manager->read($image_path);
            // Converti l'immagine in PNG e applica le trasformazioni
            $image->toPng()->save($image_path);
            $image->greyscale()->save($image_path);
            $image->contrast(15); // Aumenta il contrasto
            $image->sharpen(10);  // Aumenta la nitidezza
            $image->save($image_path);
            // Controlla se il file esiste dopo il salvataggio
            if (file_exists($image_path)) {
                try {
                    // Esegui Tesseract OCR
                    $fileRead = (new TesseractOCR($image_path))
                        ->executable('C:\\Program Files\\Tesseract-OCR\\tesseract.exe') // Percorso completo di Tesseract
                        ->lang('eng') // Imposta la lingua
                        ->allowlist(range('A', 'Z'), range(0, 9)) // Limita i caratteri consentiti
                        ->run();
                } catch (Exception $e) {
                    echo "<div class='alert alert-danger'>Errore nell'elaborazione OCR: " . htmlspecialchars($e->getMessage()) . "</div>";
                }
            } else {
                echo "<p class='alert alert-danger'>Errore: Il file non esiste dopo il caricamento: " . $image_path . "</p>";
            }
        } else {
            echo "<p class='alert alert-danger'>Errore nel caricamento del file.</p>";
        }
    }
}

Il codice del file

inclusione delle dipendenze: utilizziamo require per caricare le librerie Tesseract e Intervention Image tramite Composer.
Controllo del metodo di richiesta: verifichiamo che il metodo di richiesta sia POST e che il modulo sia stato inviato.

Gestione del file caricato:

creiamo un nome file univoco per evitare conflitti.
Spostiamo l'immagine caricata nella cartella degli upload.

Elaborazione dell'Immagine:

utilizziamo ImageManager per aprire l'immagine.
Applichiamo vari filtri (conversione in PNG, scala di grigi, contrasto e nitidezza).

Esecuzione di Tesseract:

verifichiamo che il file esista e quindi eseguiamo Tesseract per estrarre il testo.
Gestiamo eventuali eccezioni per informare l'utente di errori durante l'elaborazione.

Struttura della cartella

Assicurati che la tua struttura delle cartelle sia simile a questa:

SCANNER/
│
├── functions/
│   └── scanner.php
│
├── uploads/
│   └── (immagini caricate qui)
│
├── index.php
│
└── composer.json

Test dell'applicazione PHP

Per testare l'applicazione, assicurati che il server web stia eseguendo PHP e che il percorso di Tesseract sia corretto. Puoi utilizzare anche dei server locali come XAMPP o MAMP. Apri il tuo browser e accedi a http://localhost/SCANNER/index.php.

Carica un'immagine contenente del testo e il sistema utilizzerà Tesseract per estrarlo e visualizzarlo nella pagina.

Conclusione

Hai ora configurato con successo un'applicazione che sfrutta Tesseract OCR per estrarre testo dalle immagini. Questo progetto rappresenta un'opportunità per approfondire le tue competenze in PHP e per familiarizzare con l'elaborazione delle immagini e le tecnologie OCR.

L'applicazione che abbiamo creato ti permette non solo di caricare immagini e ottenere il testo in esse contenuto. Offre anche una base su cui costruire funzionalità più avanzate. Potresti considerare di implementare il supporto per altre lingue, miglioramenti nella pre-elaborazione delle immagini e un'interfaccia utente più interattiva. Inoltre, l'aggiunta di un'opzione per esportare i risultati in vari formati potrebbe rendere il progetto ancora più versatile.

L'esperienza acquisita lavorando con Tesseract e le librerie di manipolazione delle immagini consentirà di affrontare progetti più complessi in futuro, ampliando le tue capacità nella programmazione web. In sintesi, questo progetto non è solo un esempio pratico di come utilizzare PHP e Tesseract insieme, ma è anche una piattaforma per esplorare nuove idee e migliorare continuamente le tue abilità.

Ti incoraggio a continuare a sperimentare, espandere e perfezionare l'applicazione, condividendo le tue scoperte. Con la crescente importanza dell'OCR in vari settori, le competenze in questo campo possono aprire nuove opportunità professionali e creative.

Indice lezioni