2.1. Instalación de Poppler y Tesseract en Linux¶

Nota

Para la instalación de paquetes en linux se utiliza el comando sudo, por lo que se requiere contar con permisos de administrador.

Como primer paso se procede a actualizar el gestor de paquetes de linux utilizando el siguiente comando:

>>> sudo apt-get update -y

2.1.1. Instalación de Poppler.¶

Para realizar la instalación de Poppler solo se necesita ejecutar el siguiente comando:

>>> sudo apt-get install -y poppler-utils

Para realizar la instalación de Tesseract se necesita ejecutar el siguiente comando:
>>> sudo apt install tesseract-ocr
Añadir otros idiomas al reconocimiento óptico de caracteres (OCR).
Nota
- Para añadir otros idiomas al OCR se deben descargar los archivos de entrenamiento en el idioma deseado, los cuales se encuentran disponibles en: https://github.com/tesseract-ocr/tessdata. (Para el desarrollo de este manual se hará el ejemplo con el idioma español)
- Por defecto, en la instalación se cargan los archivos del idioma Inglés, sin embargo, estos corresponden a un corpus pequeño, por lo que se recomienda descargar nuevamente los archivos para este idioma desde el enlace mencionado anteriormente.
Para el idioma español se descargara el archivo spa.traineddata. El archivo descargado se debe copiar en la carpeta tessdata siguiendo la ruta de instalación de Tesseract, que por defecto para Linux es:
/usr/share/tesseract-ocr/4.00/tessdata/