Оптичне розпізнавання українського тексту на PHP

У світі цифрових даних інформація все частіше надходить до нас не у вигляді документів, а у вигляді зображень — сканів, фотографій або скріншотів. Але що, якщо потрібно швидко витягти текст з такого файлу і обробити його далі?

Рішення просте — використовувати Tesseract OCR, потужну утиліту з відкритим вихідним кодом, яка перетворює зображення в редагований текст за пару секунд.

Що таке Tesseract

Tesseract — це інструмент для оптичного розпізнавання тексту (OCR), створений Google і активно розвинений спільнотою. Він підтримує більшість популярних форматів зображень — PNG, JPEG, TIFF та інші.

На серверах вже встановлені мовні пакети:

• англійськаeng),
• російськийrus),
• українськийukr).

Якщо потрібна інша мова, можна звернутися до технічної підтримки — доступно понад 100 мов для встановлення.

Що вміє Tesseract

   За допомогою Tesseract ви можете:

✅ Розпізнавати текст із зображень будь-якого формату.
✅ Працювати з декількома мовами одночасно.
✅ Зберігати результат у текстовому.txt) або PDF-файлі.
✅ Вбудовувати OCR безпосередньо у свої додатки на PHP, Python, Go, Node.js та інших мовах.

Як запустити розпізнавання через консоль

Розглянемо базовий приклад: потрібно витягти текст із зображення image.png українською та англійською мовами.

Достатньо виконати команду:

$ tesseract image.png output -l ukr+eng

Результат з'явиться у файлі output.txt.

Приклад використання в PHP

Tesseract легко інтегрується з PHP. Нижче наведено приклад коду, який запускає OCR і виводить текст безпосередньо в браузері:

<?php
$text = shell_exec('tesseract image.png - -l ukr+eng');
echo "<pre>{$text}</pre>";
?>

Як зберегти результат у PDF

Щоб результат зберігався не тільки в текстовому файлі, але і в PDF, можна використовувати наступну команду:

<?php
shell_exec('tesseract image.png output pdf txt -l ukr+eng');
?>

Після виконання з'являться файли output.txt і output.pdf, де текст буде доступний для копіювання та пошуку.

Чому варто використовувати Tesseract

• Безкоштовно та з відкритим вихідним кодом.
• Підтримує понад 100 мов.
• Легко інтегрується з будь-якими серверними мовами — PHP, Python, Node.js, Go та іншими.
• Працює швидко і надійно навіть на великих зображеннях.

Де прочитати детальніше

Повна документація та приклади доступні на офіційному сайті проекту:
👉 Tesseract OCR Documentation