Ctrl+K

Installation von Tesseract und weiteren Werkzeugen

4.2. Installation von Tesseract und weiteren Werkzeugen#

Die Jupyter Notebooks in diesem Kapitel verwenden Tesseract OCR zur Texterkennung sowie einige weitere Werkzeuge. Bevor Sie die Notebooks ausführen können, müssen diese Werkzeuge auf Ihrem System installiert sein.

Cloud Mode (Colab)

Wenn Sie die Notebooks über Google Colab ausführen, müssen Sie nichts manuell installieren — die Notebooks erledigen die Installation automatisch.

Die folgenden Installationsanleitungen richten sich an Nutzer*innen im Local Mode, die die Notebooks auf dem eigenen Computer ausführen möchten.

4.2.1. Tesseract OCR#

Tesseract ist die eigentliche OCR-Engine, die im Hintergrund die Texterkennung durchführt. Das Python-Paket pytesseract ist lediglich ein Wrapper, der Tesseract aus Python heraus ansteuert. Daher muss Tesseract als eigenständiges Programm auf Ihrem System installiert sein.

Für diese Fallstudie benötigen wir zusätzlich das Fraktur-Modell (frk), da wir mit historischen deutschsprachigen Zeitungstexten in Frakturschrift arbeiten.

Windows#

  1. Laden Sie den Installer von der Seite der UB Mannheim herunter: github.com/UB-Mannheim/tesseract/wiki

  2. Führen Sie den Installer aus. Wählen Sie bei der Komponentenauswahl unter Additional script data bzw. Additional language data das German Fraktur (frk) Modell aus.

  3. Merken Sie sich den Installationspfad (standardmäßig C:\Program Files\Tesseract-OCR).

PATH-Variable unter Windows

Damit pytesseract Tesseract finden kann, muss der Installationspfad in der PATH-Umgebungsvariable eingetragen sein. Der Installer bietet diese Option an — aktivieren Sie sie.

Falls Tesseract trotzdem nicht gefunden wird, können Sie den Pfad auch direkt in Python angeben:

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

macOS#

Installieren Sie Tesseract über Homebrew:

brew install tesseract

Für das Fraktur-Modell gibt es zwei Möglichkeiten:

Option A — Alle Sprachmodelle installieren (einfacher, aber größerer Download):

brew install tesseract-lang

Option B — Nur das Fraktur-Modell manuell herunterladen:

  1. Laden Sie die Datei frk.traineddata aus dem offiziellen Repository herunter: github.com/tesseract-ocr/tessdata

  2. Kopieren Sie die Datei in das Tesseract-Datenverzeichnis:

    • Apple Silicon (M1/M2/…): /opt/homebrew/share/tessdata/

    • Intel Mac: /usr/local/share/tessdata/

Linux (Debian/Ubuntu)#

sudo apt install tesseract-ocr tesseract-ocr-frk

4.2.2. Poppler (für PDF-Verarbeitung)#

Das Python-Paket pdf2image, das wir zur Umwandlung von PDF-Seiten in Bilder verwenden, benötigt Poppler als Backend.

Windows#

Installieren Sie Poppler über Conda (empfohlen, wenn Sie Anaconda verwenden):

conda install -c conda-forge poppler

Alternativ können Sie vorkompilierte Binärdateien herunterladen: github.com/oschwartz10612/poppler-windows/releases. Entpacken Sie das Archiv und fügen Sie den bin-Ordner zur PATH-Umgebungsvariable hinzu.

macOS#

brew install poppler

Linux (Debian/Ubuntu)#

sudo apt install poppler-utils

4.2.3. Python-Pakete#

Die benötigten Python-Pakete sind betriebssystemunabhängig und können mit pip installiert werden:

pip install pytesseract pillow pdf2image tqdm

Für das Notebook zur Messung der OCR-Qualität wird zusätzlich benötigt:

pip install Levenshtein

Überprüfung der Installation

Um zu prüfen, ob Tesseract korrekt installiert ist, können Sie folgenden Befehl im Terminal ausführen:

tesseract --version

Wenn eine Versionsnummer angezeigt wird, ist die Installation erfolgreich.

Contents