chi_tra does not recognize vertical text as the doc says #72
Description
Hi!
I am uploading tons of old books in Traditional Chinese to the Internet Archive. And I am trying to find a set of proper cli options so that these books can be OCR-ed properly to be searchable. Some of them are in vertical text while some of them are in horizontal text. Rarely, some book contains both vertical and horizontal text on a single page.
According to https://github.com/tesseract-ocr/tessdata_fast/#example---jpn-and--japanese and #22 (comment), chi_tra loads chi_tra_vert "as a secondary language so it can try it in case the text is rendered vertically". So I suppose chi_tra should have recognized both vertical and horizontal Chinese text as documented.
But in my test with different images, chi_tra appears to never be able to recognize vertical Chinese text.
For example:
A scanned book page on Wikimedia Commons (medium quality):
With tesseract 5.0.0 + tessdata-best + -l chi_tra_vert, the result is
60%+ accuracy
Estimating resolution as 185
)
2
(
全省差不多完全陷入記嶄狀態中,關部有
盛世才.馬仲英:等之勾心鬥角,商各則
民軍鑑起,這秋分硼離析的情形。不能說
本是已覺失去了中比的統參.記英寢國主
義者以操從喀什叭爾人獨立的械會。
原因當然很多,以上不過是最重要的
幾項面已。我們從記艾事紛的原因蔓,就
可以知道租的性寅是如何嚴協了,還國上
下都廳當把視組集中,共諜解導的辦法,
現在讓我把御的嚴重性分析在下面:
1新服不特是我國最大的行省,面且
是我國西部一個最二要的一個門戶,自東
批洽陷以後,我國所有之陸地門戶僅此
而已,現商蝦獨立,不全為斷吾人之手足
o
馬占由將軍新有
第一幕 別家投軍
A物,父,繼,占山;
地點:輝實省,忱德縣,毛近城子鎮
做坎,-個農民的家庭:
開划時好各錠著櫥橙說
姆 :飯已做好了,他人怎麼還不同來
2英人自主全丁冰胸立後,所讓為「
樂士一者,印咯什噶爾及和韻「持,所以
英人早說注目於這塊地方了現在轎什嗎
爾全由英人主使面獨立.玫知沒有渝說古
廠第二的危險。
8新戰北臨萄條商界英帝國主義需的
保護國,現在新玉商部餞由英之主便面
獨立,肥歷知共估無條新賴北部之企國
,如此不特則新誤全部裕碼分,印卡個中
國亦有入各帝國幸義者共管的危險。
商夷問題餞有如此之吐重,作不得不
深塾旦略人人士,一心一得,共濟時琢,打
破自租白利的名念~以國家和多儿削題
那未,不衝商天問題可以應刃而解,航是
康個的中華民族也有了
(父和占山上)
父 ;飯中了嗎?
母 ;中了,吃吧(到崗端三史且上出接
過啟任樟上)
占山;兒有一中樹林采。
公組占崗兒有甚麼話說。
占山;兒想秀天做此農田工作,沒有甚麼
味道,兒欲去投軍,坊國出力,將
來有些希記抱未可知.不知雙親意
下如何?
父 ;你有志投軍,翅國出訪,我很生成
,不知你的朋親雪不背層你去o
依我說.還是做莊家話,雖設濕出
息,更得受栓确之驚,就當個生還
有由腿大希朗嗎?
占山:只有大表殺敬,坊國出力,吉國際
粥;
你去所好,不過在外比不在家
,出外要保宣身體
占山:忽兒怎政不甸母命不過事不宜選
天就走。
麼今天就走,停兩天過不妨事。
下出:再停兩天,則無基麼意思。
仿 :蟬出把飯碗拿去 經緊把行李整理
畫,到備動身。
占山:是(把飯碗端F)
第二幕 出發勳虛
(症莫)
人物:押誤江周箇吳俊逢,友諜長,
營長卡山.衛王四人。
With tesseract 5.0.0 + tessdata-best + -l chi_tra, it is
0% accuracy, pure garbage text
Estimating resolution as 185
LA
人
3
天 名 宙 K 圭 姑 導論 < 喘 刀 菜 淺 芋 、 埋 推 宁
繼 間 中 全 打 一 玫 科 千 光 四 所 慚 蛤 蟬
喲 時 臉 于 ^ 扣 宣 下 竺 要 說 品 意 眉 、K 幸 各
長 中 各 絆 衣 可 上 生 信守 找 說 二 打 全 區 選
二 主 十 二 二 汪 二 失 4, 直 2 光
上 不 4 二 生 坊 還 下邊 上 1
比 戰記 崗 。 條 時 表 毅 各 竺 象 千 馮 陣線 、 押
品 全 長 凋 謂 守 避 紹 鵲 蟬 寐 啟 佃 - 暫 藻 寢
二 記 主 二 三 二: 生 仁 生 站 二 二 芽 作
以 則 露 容 書 加 合用 條 齊全 本 四 上 國 人
全 容 路 人 其 限 但 蛋 K 千 寢 朮 ~ 民 戰
旨 倆 區 若 星 「 主 咯 居 線 宮 「 葬 生 上 ~ 王家
埋 無 說 家 ~ 介 國安 生 和 N 渥 妥 點 喲 返 吉
電 四 女 生 茲 謂 擴 、 入 六 扣 才 <N 呻
e
哈 二 三 嶼 訊 <
途 ] 紅 點 他 密 生
說 信守 , 作 汪 二 店 半 一 本
要 說 當 半生 、 彷 江 雍 、 崗 二 客 Hh 委
還 女 - 「 曙 品 喲 吧 各 漲
器 率 朮 只 課 涯 穎 王 好 所
一 還 四 家 家 P- 旦 時 天 要 K 宮 -
品 林 信守 了 點 屬 婦 和 祿 庄 窗 發 「
二 二 記 條 主:
林 時 禮 關 戰 角 表 要 居民 P、 廬 二 秋生 靈
族 品 生 表 之 也 弄 民 民 人 、 映 及 如 年 扯 發 加
松 遠 中 竺 恨 租 。
器 農務 幸 浸 滿 守 當 只 打 全國 避 櫥 四 各
號 息 區 店 站 淋 字 閏 竹 右 三 折 之 和 悶 還 生
田 噴 、 曲 眉 只 扣 容 對 悶 行 罕 容 時 壹 N 和 區
~ 時 旨 層 二 宮 診 呢 員 夫 圖 員 卻 。 蟬 郊 還 生
用 卻 定 巢 于 閃避 和 櫥 相 吉 學生 避 能 。
慚 陛 四 遇 蟬 生 太 寢 N 宮 個 、 半 人 完
蜂 話 匠 國 有 抽 - 1 說 呻 - 于 卻 查 諺 - 蟬
機 于 說 和 生 和 品, 大 區 弱 當 細 發 當 時 >
萊 伙 。 尼 章 慚 世 下 時 品 基 轎 卻 時 詩 、 供 理
辦 品 滲 世 章 記 當 選定 上
《 欠 黃 見 時 二 )
名 一 暴 二 同
舉 一 苹 讓 - 卻 如 人 志 戰 了 1 潑 宮 悶 生 蟬
兩 當 起 芝 二 )
生 時 全 絹 生 | 喲 菜 下 根 垃 。
估 罰 半生 戰 生 二 相 蟬 禹 。
北 生 人 如 虹 當 由 開 志 比 所 日 划 - 注 是 簡歷
當 總 。 中 表 出 幫 周 - 全 烘 于 和, 案
淋 征 基 提 路 說 霖 品 太 -K 旻 勿 蔭 轉
選 丰 是 人
欠 。 全 閏 生 質 罕 庄 、 倆 圖 于 胡 條 表 替 胃
- 科 太 間 各 尖 窗 生 公克 閨 半 電 人
全 全 人 上 上 和 交 汪 仁 和
本 ~ 字 電容 到 加 N 滿 - 餐 稻草 于 病
生 定點 祥 各 品 暨 人
生 生 避 生 開 操 以 暈 ” 倆 國 年 人 發 區 公
具 ,-
匡 漲 即 家 - 蠅 下 玉 吉 K 時 諺
謹 汪 廬 二 上 上 半 引
生 生 ~ 站 寂 汪 對 丰 揣 當 意 、K 理 沽 如 喲
屎 損 兩 。
點 十 骨 換 恨 、 倫 生 屎 司 尼 蛤 六 9
二 守 全 全 芋 骨 - 選 對 攝 出 笠 。
名 一 半 三 點 還 宮 炎 于 - 綿 義 抑 二 者 訓 轉
世 汪 主 1 汪
各 三 ~ 良 ( 如 襄 尖 張 呈 )
太 扛
( 守 洋 )
共生: 三 所 不: 二 - 二 1 合共 全
妊 讓 六 三 、 間 生 丰 之 。
A digital book screenshot from the Internet (high quality):
With tesseract 5.0.0 + tessdata-best + -l chi_tra_vert
80%+ accuracy
Estimating resolution as 324
的聘
後論
第一章我的家世
一醇臣親王的一生
公元一九O六年“即清朝光緒三十二年的舊曆正月十四 我出生於北京
土府 我的祖父奕讓 是道光皇帝的第七子 初封姥
後晉親王 死
法「賢」 所以後來稱做醇賢親王 我的父親戴滿 是祖父的第五子.
因為
帝(
子。
決定」
祀光
登極
即光緒皇帝) 所以祖父死後 由父親襲了王爵 我是
才一和第三“四子早殤 第二子戴活被姨母慈禧太后接進宮裡 當了皇
堵二代醇王的長
在我三歲那年的舊曆十月二十日 慈禧太后和光緒皇帝病篤“慈禧突然
業我為山皇帝 承繼同治(協淳 是慈禧親生子 協活的堂兄弟) 兼
緒 在我入宮後的兩天內 光緒與慈禧相繼去世“十
初軋日 我便
為皇帝| 清朝的第十代 也是最未一代的皇帝 年號
辛亥革命爆發 我退了位”
我的記憶是從退位時開始的 但是敘述我的前半生 如
先從我的祖父
統 不到三年
-
EL
With tesseract 5.0.0 + tessdata-best + -l chi_tra
0% accuracy
Estimating resolution as 324
選 蟬 |
惑 張
晨 | 壩 郵 己 散 利
|“ 續 歡 加 H 避 | 如
SIR 表 0K 財 品 靂 品 煙 己 串 十 1 財 呈 時 誤 四 號 十 轉 壽 如 填 多 財 似
H 芽 ” 位 還 點 有 林 旦 ” 咚 損 求 呷 民 哇 振 和 Mh 怀 所 芝
” 惑 虹 忠 出 ” 雇
夫 「 臨 」 計 朗 摔 公 隱 髮 單 區 噴出” 自 辟 伙 擊 筷 同 。 嚨 時 S 屆 振 田 7
區 pu
選 (
h
蕉 條 4
卷 水
商 呢
品 水 己 呷 扼 )” 鼎 馮 四 有 啟 蔗 ~” 鉀肥 加 同) 出 暇 ” 壬 吠
上 | 還 娠 山 ” 買 hh 呈 賬 ” 媒 1 IM 維 眉 果 申 過 格 攻 長 基 好 聲 爺 旦 ” 犯 ) 呻
典 | 1 笠 加 出 噁 貴
坦 郵 山 只 除 財 居 曙 誤 十 吃 戰 十 瑟 ” 權 量 長 央 還 水 己 呷 他 懂 蟬 ” 柱 旦 表 髮
出 竺 直選 呷 公民 鋪 啞 站 (和 紀 城 ” 咚 欄 量 號 如 Mb” 篩 獎 于 各 由 礎 )。 擲
慚 ?” 電 著 大爺 擴 理 旺 KK 尼 ~ 求 門 獸 手 對 亞 還 由 提 ” 十
還 表 趾 ) 所 申
相 呻 居 一 一 二 吧 己 振 十 笠 ” 和 還 張 曙 K | 冬 悍 呷 懾 ~ 此 緞 |
霸 售 寺 邊 能 緒 。 竺 咽 六 對"
郵 司 避 起 員 稻 順 仙 基 卅 擇 轉 啦 胡 移 氟 得 后 汗 填 ” 太
IT
| 炮 》 長 去 山寺
1%
Time leftin chqpter: 1m
The issue is not limited to some specific images. It can be reproduced on many (or every?) other book pages as well.