samedi 1 août 2020

Google dit ne pas se concentrer sur "Link Juice" Concentrez-vous plutôt sur cela

Quelqu'un sur Twitter a demandé à John Mueller de Google comment diriger le "jus de lien" sur son site. Mueller leur a conseillé de mettre ces considérations de côté et leur a conseillé de mieux se concentrer.

En surface, la question est de savoir comment organiser les liens de la page d'accueil vers les pages de catégorie pour les meilleurs classements.

La question sous-jacente, à mon avis, concerne la sculpture du PageRank.

La sculpture du PageRank est le concept de maximisation du flux de PageRank d'une page vers ce qu'un éditeur considère comme les pages les plus importantes.

La sculpture du PageRank se préoccupe également d'éviter le soi-disant «gaspillage» du PageRank en l'empêchant de se diriger vers les pages dites «inutiles» comme les pages de confidentialité et de contact.

Voici la question demandé à John Mueller sur Twitter:

«Je veux transmettre le jus de lien de ma page d'accueil à mes pages de catégories. Où dois-je placer mes pages de catégorie, dans le menu de navigation ou dans le contenu de la page d'accueil? »

La question concerne principalement la manière dont l'algorithme de Google réagira aux liens.

Marketing de site de niveau supérieur

À mon avis, lorsqu'un SEO commence à se concentrer sur les détails granulaires du référencement, c'est le signe d'une personne qui a peut-être atteint les limites de ce que le SEO peut amener pour réussir .

Les bases de la façon dont Google classe les sites Web, les liens, les algorithmes et les problèmes techniques liés à la vitesse des pages sont le point de départ d'un site réussi.

Il y a une étape suivante qui va au-delà du référencement.

La prochaine étape se concentre sur les compétences liées à la construction de la popularité.

Cela signifie comprendre les gens et ce qu'ils veulent.

Ce type de compréhension mène à comprendre le rôle des conversions, l'expérience utilisateur, les interfaces utilisateur et l'accessibilité (par exemple, n'oubliez pas les visiteurs daltoniens!).

Des sites comme Facebook ne sont pas devenus énormes en s'inquiétant de «link juice. »

Ils ont réussi en se concentrant sur la popularité des utilisateurs.

Lorsque les sites à succès identifient une direction impopulaire, ils l'abandonnent pour développer quelque chose d'autre qui augmente leur popularité.

Le succès est vraiment une question de popularité, faire des choses qui rendent votre site populaire auprès des visiteurs du site.

Le succès ne consiste jamais à rediriger le PageRank de la page d'accueil vers les pages de catégorie.

John Mueller de Google a répondu:

"J'oublierais tout ce que vous avez lu sur le" jus de lien ". Tout cela est très probablement obsolète, faux et / ou trompeur.

À la place, créez un site Web qui fonctionne bien pour vos utilisateurs. "

Concentrez-vous sur le renforcement de la popularité avec Visiteurs du site

Les algorithmes de Google privilégient un contenu satisfaisant les utilisateurs. Les questions sur les liens de catégorie de site, la navigation sur le site, les liens internes, toutes ces questions peuvent être répondues en les filtrant à travers l'objectif de la réaction des visiteurs du site à ces liens de catégorie, la navigation du site, etc.

Le référencement est une étape vers le succès et non pas tout le parcours

La croissance de la popularité est plus importante dans une vue plus large de la réussite du site.

S'attarder sur les détails granulaires sur la façon dont le PageRank s'écoule d'une page à un autre est une perte de temps. Ces types de problèmes se résolvent une fois qu'un éditeur se concentre sur les utilisateurs.

Dans une perspective plus large de la réussite, un éditeur s'est concentré sur accroître la popularité de leur site Web, identifier ce que les utilisateurs veulent et comment ils le souhaitent, écrasera toujours l'éditeur qui se concentre sur la façon dont le PageRank circule sur son site ou qui essaie d'obtenir un score élevé sur l'outil Page Speed ​​Insight de Google.

Le référencement est important, mais se concentrer sur la création d'un site Web «qui fonctionne bien pour votre utilisateurs »vous aidera à créer la meilleure architecture d’information (liens internes et navigation).

Valeur de la connaissance du référencement et des algorithmes

Connaître les bases du référencement n’est que la première étape pour être succès du marketing de recherche.

L'apprentissage et la compréhension des brevets et des documents de recherche Google est une deuxième étape qui vous aide à vous protéger de perdre votre temps sur des tendances SEO populaires mais inutiles.

Connaître les bases des algorithmes utilisé par les moteurs de recherche vous protège des idées de SEO merdiques telles que les mots clés LSI, l'analyse des sentiments dans le classement, le bookmarking social et le jus de lien.

Oubliez le jus de lien

La phase «jus de lien» a été pendant des décennies. Au début, tous les référenceurs sérieux utilisaient le terme le plus précis et le plus correct, PageRank.

L'expression «jus de lien» était à l'origine utilisée de manière informelle.

L'utilisation de cette expression a gagné en popularité avec l'arrivée d'une nouvelle génération de référenceurs qui n'avaient jamais expérimenté la barre d'outils PageRank. Ce sont principalement des spécialistes du marketing de recherche relativement novices en matière de référencement qui utilisent l'expression, jus de lien.

Les référenceurs sérieux n'utilisent jamais l'expression Link Juice de quelque manière que ce soit, sauf lorsqu'ils sont informels.

Mais même de manière informelle, cela donne toujours à une personne un son moins que professionnel, comme utiliser le mot «n'est pas» tout en «faisant le nécessaire».

Ex -Googler Pedro Dias a dit ceci à propos de la phrase link juice :

 Pedro Dias ex-Googler Link Juice

41% de la première page de Google contient des liens vers des produits Google

Les résultats d'une étude récente montrent que près de la moitié des annonces sur la première page de résultats de recherche sont constituées de liens vers des produits Google.

Ces chiffres font craindre que Google favorise ses propres services, et en les classant devant leurs concurrents dans de nombreux cas.

En ne regardant que les 15% supérieurs d'une page de résultats de recherche, les produits Google occupent 63% des résultats.

Le On dit que les 15% supérieurs des SERPs sont l'équivalent du premier écran sur un iPhone X avant de faire défiler vers le bas.

C'est peut-être la statistique la plus accablante de tout le rapport: "Pour une recherche sur cinq dans notre échantillon , les liens vers des sites Web externes n'apparaissaient pas du tout sur le premier écran. »

Ces données proviennent d'une étude menée par The Markup, qui a impliqué une analyse de plus de 15 000 requêtes populaires.

La découverte clé qui ressort du rapport est que 41% de la première page des résultats de recherche Google est reprise par Google lui-même.

"Nous avons examiné plus de 15 000 requêtes populaires récentes s et a constaté que Google consacrait 41% de la première page de résultats de recherche sur les appareils mobiles à ses propres propriétés et à ce qu'il appelle des «réponses directes», qui sont remplies d'informations copiées à partir d'autres sources, parfois à leur insu ou sans leur consentement. "

Le balisage a fourni un exemple de recherche de tendance pour «infarctus du myocarde» dans lequel les 4 premiers résultats sur la page étaient des propriétés Google. Il a renvoyé:

  • la définition du dictionnaire de Google.
  • Une boîte "Les gens demandent aussi"
  • Un panneau de connaissances
  • A " conditions associées ”carrousel menant à d'autres recherches Google

Il a été constaté qu'un utilisateur devrait faire défiler presque la moitié de la page avant d'obtenir le premier résultat organique.

A Le porte-parole de Google a répondu à cette étude et a contesté ses conclusions au motif que certains résultats ne devraient pas être comptés comme des propriétés Google.

"Fournir des liens de commentaires, aider les gens à reformuler des requêtes ou à explorer le sujets, et la présentation de faits rapides n'est pas conçue pour préférer Google. Ces fonctionnalités sont fondamentalement dans l’intérêt des utilisateurs, ce que nous validons par un processus de test rigoureux.

Parfois, les informations les plus utiles seront un lien vers un autre site Web, d’autres fois, ce sera une carte, un une liste de restaurants, une vidéo ou une image. »

S'il semble que les priorités de Google se sont éloignées de la génération de trafic vers les sites Web, vous avez peut-être raison.

Google élabore à ce sujet dans une autre déclaration du porte-parole.

Les priorités de Google ont changé

Le balisage commence son rapport en attirant l'attention sur ce que le co-fondateur de Google, Larry Page, a déclaré en 2004:

"Nous voulons vous faire sortir de Google et au bon endroit aussi vite que possible."

En réponse directe à cette citation, un porte-parole de Google déclare diriger les gens des moteurs de recherche vers les sites Web n'est plus toujours la meilleure solution.

«En tant que moteur de recherche, la mission de Google est de diriger rapidement les internautes vers de sur, où que se trouve cette information, comme l'expliquait Page. À cette époque, cela signifiait généralement diriger les gens des résultats de recherche vers des sites Web. À mesure que les technologies de recherche se développent, ce n'est pas toujours la meilleure façon d'aider les gens. »

Il n'y a pas de moyen plus clair de dire que les priorités de Google ont changé de vouloir sortir les gens du moteur de recherche comme

Il semble maintenant que la priorité est de diriger les utilisateurs vers la meilleure réponse à une requête, selon Google.

Si cette réponse peut être fournie par Google dans la page de résultats de recherche, il y a de fortes chances que vous voyiez les propriétés Google apparaître avant les résultats organiques.

Pour plus d'analyses à ce sujet, je recommande de lire le rapport complet de The Markup ici .

Twitter prend en compte ces fonctionnalités Premium dans un modèle d'abonnement

Twitter explore activement la possibilité d'ajouter un modèle d'abonnement premium qui donnerait aux utilisateurs accès à des fonctionnalités exclusives.

Toujours au stade de la planification, Twitter interroge désormais les utilisateurs sur les types de fonctionnalités qu'ils aimeraient aime sortir d'un compte payant.

Le journaliste Andrew Roth a partagé des captures d'écran des sondages qui lui ont été envoyés, qui demandent aux utilisateurs d'indiquer si une fonctionnalité est importante pour eux ou non.

L'enquête demande: "Laquelle des fonctionnalités suivantes souhaiteriez-vous le plus, le moins?"

Voici les fonctionnalités potentielles qui pourraient être incluses dans un abonnement Twitter premium.

  • Annuler l'envoi : une fenêtre de 30 secondes pour vous permettre de rappeler / retirer un Tweet avant que quiconque puisse voir.
  • Couleurs personnalisées : en plus du "Mode nuit", vous pouvez modifier les polices et la couleur du thème de Twitter sur votre téléphone et votre ordinateur. La couleur d'arrière-plan, les liens, les mentions, les hashtags et les icônes apparaissent dans la couleur de votre choix.
  • Publication de vidéos : vous pouvez publier des vidéos jusqu'à 5 fois plus longues que la valeur par défaut actuelle, ce qui résolution maximale beaucoup plus élevée (8192 × 8192).
  • Badges : vous obtenez un ou plusieurs badges sur votre profil qui renvoient aux entreprises que vous possédez ou pour lesquelles vous travaillez (exemple: un journaliste peut avoir un badge montrant les magazines qu'ils écriventite for.)
  • Réponses automatiques : capable de rédiger et de définir un menu de réponses automatiques à utiliser dans les réponses.
  • Écoute sociale : vous pouvez voir les conversations autour de votre compte sur Twitter, y compris le volume total, les personnes et les entreprises qui parlent le plus souvent et ce qu'elles disent.
  • Enquêtes sur les marques : Vous pourrez peut-être interroger les internautes sur les annonces que vous diffusez pour mieux comprendre si votre annonce a été mémorable et si les internautes sont susceptibles d'acheter les produits ou services présentés.

Dans un ensemble séparé de questions d'enquête liées à la publicité, Twitter demande aux utilisateurs s'ils seraient prêts à payer pour voir moins d'annonces.

Twitter considère ces fonctionnalités Premium dans un Modèle d'abonnement

En veillant à ne pas trop fixer les attentes de qui que ce soit, l'enquête de Twitter ajoute l'avertissement suivant concernant ces fonctionnalités potentielles:

«Cela ne reflète pas nécessairement les fonctionnalités que Twitter aura à l'avenir. "

Ces fonctionnalités exactes pourront être ajoutées ou non à Twitter à l'avenir, mais une chose est certaine, c'est que Twitter prévoit de lancer des abonnements premium.

Les détails sont rares. à ce stade - voici ce que nous savons jusqu'à présent.

Comptes Twitter Premium confirmés par le PDG Jack Dorsey

Plusieurs preuves indiquent que Twitter a lancé un modèle d'abonnement à un moment donné futur.

La première preuve est arrivée début juillet lorsqu'un liste des emplois a été trouvé indiquant que Twitter est en train de constituer une équipe pour travailler sur une plate-forme d'abonnement.

Quelques semaines plus tard, le 23 juillet, le PDG Jack Dorsey a déclaré aux investisseurs que Twitter examinait les options d'abonnement suite à une baisse des revenus publicitaires .

Les tests de diverses options d'abonnement pourraient commencer dès plus tard cette année, selon un rapport de CNN .

Le même jour de la publication du rapport, Twitter a publié une lettre aux actionnaires avec le paragraphe suivant:

«Nous en sommes également aux premières étapes de l'exploration de nouvelles opportunités de revenus potentiels pour compléter notre activité publicitaire. Ceux-ci peuvent inclure des abonnements et d'autres approches, et bien que notre exploration soit très précoce et que nous ne prévoyons aucun revenu attribuable à ces opportunités en 2020, vous pouvez voir des tests ou nous entendre en parler davantage au fur et à mesure que nos travaux progressent. "

Avec la baisse de l'activité publicitaire de Twitter aussi brusquement qu'elle l'est, la pression est exercée pour ouvrir davantage de sources de revenus.

Je parie que nous en saurons plus sur ces modèles d'abonnement le plus tôt possible .

Le nouvel œuf de Pâques de Google fait danser les résultats de recherche

Google commémore le 20e anniversaire du "Cha-Cha Slide" avec un œuf de Pâques unique qui fait littéralement bouger les résultats de la recherche.

La recherche de "Cha-Cha Slide" fait désormais apparaître un panneau de connaissances avec une icône de microphone étincelante.

Les utilisateurs peuvent cliquer sur le microphone, et continuer à cliquer dessus, pour faire danser les SERPs sur la diapositive Cha-Cha.

Une série de clics de souris (ou clics sur l'écran) offrira aux utilisateurs une expérience complète. Chaque clic déclenche différents effets qui correspondent aux paroles de la chanson.

Ces paroles, au cas où vous ne connaissez pas le Cha-Cha Slide par cœur, sont les suivantes:

“À droite maintenant
À gauche
Reprenez-le maintenant, vous tous
Un saut cette fois
Un saut cette fois
Pied droit deux piétins
Pied gauche deux stomps
Glisser vers la gauche
Glisser vers la droite
Criss cross
Criss cross
Cha cha real smooth ”

L'icône de l'œuf de Pâques change en fonction de chaque nouvelle parole. Il y a des flèches pour indiquer les directions, des grenouilles pour représenter le houblon, des chaussures pour représenter les piétinements, etc.

En raison du fonctionnement de l'oeuf de Pâques, il est difficile de capturer des captures d'écran.

Vous doivent le voir pour le saisir pleinement, car il ne ressemble à rien de ce que Google a fait auparavant.

Il suffit de rechercherpour "Cha Cha Slide" pour le voir en action, ou regardez cette vidéo capturée par 9to5Google:

Ce n'est pas depuis les œufs de Pâques des Amis de l'année dernière que nous avons vu Google le mettre beaucoup d'efforts dans une fonction de recherche jetable.

En fait, c'est peut-être l'œuf de Pâques le plus élaboré de Google à ce jour. Nous avons parcouru un long chemin les plus basiques comme le lanceur de dés et le générateur de nombres aléatoires, par exemple.

Il est toujours intéressant de voir ce que Google propose ensuite. L'entreprise n'a clairement pas perdu son sens de l'humour.

Quora lance les formulaires de génération de leads pour les annonceurs et les actualités du marketing numérique de cette semaine [PODCAST]

Abonnez-vous: Podcasts Apple | Google Podcasts

Jess Budde, Greg Finn et Christine "Shep" Zirnheld sont là pour vous livrer les actualités marketing numérique de la semaine avec un autre épisode de Marketing O ' Horloge.

De plus, nous avons de nouvelles idées adorables pour les attributs de Google Product Feed, partageons notre SEO préféré, comme on le voit à la télévision, et faisons de notre mieux pour devenir les prochains meilleurs influenceurs B2B des États-Unis.

Formulaires de génération de leads Quora

Quora a annoncé le lancement d'un générateur de leadsformulaires afin que les annonceurs puissent capturer les données de prospect sans obliger les utilisateurs à quitter Quora.com.

Pour le moment, vous avez le choix entre 12 champs de formulaire, notamment les coordonnées, les informations sur l'emploi et les informations de localisation.

Les données collectées à partir de ces nouveaux formulaires peuvent être utilisées dans votre CRM via une intégration Zapier.

Nouveaux outils Bing pour les webmasters

Bing a annoncé la sortie complète de ses nouveaux outils pour les webmasters Bing.

Les nouvelles fonctionnalités incluent un testeur robots.txt, un outil d'audit de site à la demande qui vérifie les problèmes de référencement et une URL Outil d'inspection pour vérifier les problèmes d'indexation.

Ils ont également apporté des améliorations aux rapports existants, mis à jour le processus de vérification et rationalisé le site expérience de navigation.

Concurrence dans les résultats de recherche Google

Dans une nouvelle étude, 15 000 requêtes Google ont été examinées et 41% des résultats de la première page des résultats de recherche Google pour mobile concernaient des propriétés Google.

L'étude comprend Google définitions de dictionnaire, "les gens demandent aussi des boîtes", le panneau dynamique et les carrousels de recherche associés dans leur définition des propriétés Google.

Ensuite, Rishabh Rastogi nous rappelle pourquoi les ventes et le marketing sont un match fait dans le paradis du B2B.

ICYMI, Bryant Garvin , a quelques réflexions sur ce qui ne va pas avec l'industrie.

Ensuite, nous répondons à vos questions de marketing numérique lors de notre segment éclair:

  • Qui peut utiliser vos vidéos TikTok pour les publicités?
  • Que devez-vous savoir sur Local Annonces de service?
  • Quand les écoutes de podcast sont-elles revenues aux niveaux pré-COVID?
  • Où vous pouvez voir une police plus grande dans les annonces de recherche Google
  • Pourquoi les créateurs de TikTok peuvent-ils être obtenir un gain énorme d'Instagram
  • Combien d'heures par jour les gens passent-ils à utiliser des applications?

Si vous avez apprécié, assurez-vous de vous diriger vers le Marketing O "Horloge du site pour s'abonner!


Crédit de l'image en vedette: Cypress North

Google double le nombre d'articles dans le carrousel Top Stories

Le carrousel des meilleures histoires de Google dans les résultats de recherche peut afficher plusieurs résultats pour la même histoire, en ajoutant un deuxième lien pour le contexte.

Cela a été découvert pour la première fois par Valentin Pletzer qui a partagé quelques captures d'écran sur Twitter:

Le" Pour le contexte », le lien renvoie à la même source, confirme Pletzer, permettant aux éditeurs de revendiquer deux emplacements dans le même résultat du carrousel d'articles à la une.

Cette modification des résultats de recherche a le potentiel de conserver les histoires plus anciennes pendant de plus longues périodes du temps.

Les articles qui seraient autrement tombés du carrousel des meilleures histoires peuvent désormais apparaître comme un lien supplémentaire «pour le contexte».

Il s'agit d'une sorte de récompense pour les éditeurs qui fournissent une couverture approfondie de certaines histoires et tiennent leurs lecteurs informés des nouveaux développements.

Pour les utilisateurs, cela a l'avantage d'avoir une vue d'ensemble des actualités sans avoir à effectuer plusieurs recherches.

Google confirme qu'il s'agit d'une nouvelle fonctionnalité

Cette fonctionnalité semble limitée pour le moment. Je n'ai personnellement pas été en mesure de le reproduire quels que soient les types de nouvelles que je recherche.

Cependant, l'ajout de liens «pour le contexte» est une fonctionnalité réelle qui est là pour rester.

The Verge a reçu une confirmation de Google concernant le lancement de cette fonctionnalité - un porte-parole a fait la déclaration suivante:

"Lorsque nous détectons qu'un éditeur a ce type de contenu de fond pour une actualité en temps opportun histoire, nous l'ajouterons. »

Sur la base de ces informations, il semblerait qu'il n'y ait pas de moyen spécifique pour les éditeurs de déclencher un lien supplémentaire« pour le contexte »dans le carrousel des articles les plus populaires.

Bien sûr, placer des liens internes vers des histoires associées aidera Google à savoir que le contenu d'arrière-plan est disponible.

À partir de là, c'est à Google de décider si le contenu d'arrière-plan sera ajouté en tant que deuxième lien pour contexte.

Source: The Verge

vendredi 31 juillet 2020

Comment faire l'OCR à partir de la ligne de commande Linux à l'aide de Tesseract

Fatmawati Achmad Zaenuri / Shutterstock

Vous pouvez extraire du texte des images sur la ligne de commande Linux à l'aide du moteur Tesseract OCR. Il est rapide, précis et fonctionne dans environ 100 langues. Voici comment l'utiliser.

Reconnaissance optique de caractères

La reconnaissance optique de caractères (OCR) est la capacité de regarder et de trouver des mots dans une image, puis de les extraire sous forme de texte modifiable. Cette tâche simple pour les humains est très difficile à faire pour les ordinateurs. Les premiers efforts ont été maladroits, c'est le moins qu'on puisse dire. Les ordinateurs étaient souvent confus si la police ou la taille n'était pas du goût du logiciel OCR.

Néanmoins, les pionniers dans ce domaine étaient toujours tenus en haute estime. Si vous perdez la copie électronique d'un document, mais que vous avez toujours une version imprimée, l'OCR peut recréer une version électronique modifiable. Même si les résultats n'étaient pas précis à 100%, cela représentait un gain de temps considérable.

Avec un peu de rangement manuel, vous récupéreriez votre document. Les gens pardonnaient les erreurs commises car ils comprenaient la complexité de la tâche à accomplir pour un progiciel OCR.De plus, c'était mieux que de retaper tout le document.

Les choses se sont considérablement améliorées depuis. L'application Tesseract OCR, écrite par Hewlett Packard , a débuté dans les années 1980 en tant qu'application commerciale. Il a été open-source en 2005 et est désormais pris en charge par Google . Il a des capacités multilingues, est considéré comme l'un des systèmes OCR les plus précis disponibles et vous pouvez l'utiliser gratuitement.

Installation de Tesseract OCR

Pour installer Tesseract OCR sur Ubuntu, utilisez cette commande:

 sudo apt-get install tesseract-ocr 

 sudo apt installer tesseract -ocr dans une fenêtre de terminal.

Sur Fedora, la commande est:

 sudo dnf install tesseract 

 sudo dnf installer tesseract dans une fenêtre de terminal.

Sur Manjaro, vous devez taper:

 sudo pacman -Syu tesseract 

 sudo pacman -Syu tesseract dans une fenêtre de terminal.

Utilisation de Tesseract OCR

Nous allons poser une série de défis à Tesseract OCR. Notre première image contenant du texte est un extrait du considérant 63 du Règlement général sur la protection des données . Voyons si l'OCR peut lire ceci (et rester éveillé).

extrait du considérant 63 du RGPD

C'est une image délicate car chaque phrase commence par un faible nombre en exposant, ce qui est typique des documents législatifs.

Nous devons donner à la commande tesseract des informations, notamment:

  • Le nom du fichier image que nous voulons qu'il traite.
  • Le nom du fichier texte qu'il créera pour contenir le texte extrait . Nous n'avons pas à fournir l'extension de fichier (ce sera toujours .txt). Si un fichier existe déjà avec le même nom, il sera écrasé.
  • Nous peut utiliser l'option --dpi pour indiquer à tesseract quelle est la résolution points par pouce (dpi) de l'image. Si nous ne fournissez pas de valeur en dpi, tesseract essaiera de le comprendre.

Notre fichier image s'appelle "recital-63.png" et sa résolution est de 150 dpi. Nous allons créer un fichier texte à partir de celui-ci appelé «recital.txt».

Notre commande ressemble à ceci:

 tesseract recital-63.png recital --dpi 150 

tesseract recital-63.png recital --dpi 150 dans une fenêtre de terminal.

Les résultats sont très bons. Le seul problème, ce sont les exposants: ils étaient trop faibles pour être lus correctement. Une image de bonne qualité est vitale pour obtenir de bons résultats.

Extra interprété le texte du considérant 63.

tesseract a interprété les nombres en exposant comme des guillemets (") et des symboles de degré (°), mais le texte réel a été parfaitement extrait (le le côté droit de l'image a dû être rogné pour tenir ici).

Le caractère final est un octet avec la valeur hexadécimale de 0x0C, qui est un retour chariot.

Voici un autre image avec du texte de différentes tailles, en gras et en italique.

Image avec différentes tailles de texte en gras et en italique.

Le nom de ce fichier est" bold-italic.png. " Nous voulons créer un fichier texte appelé «bold.txt», donc notre commande est:

 tesseract bold-italic.png bold --dpi 150 

tesseract bold -italic.png bold --dpi 150 dans une fenêtre de terminal.

Celui-ci n'a posé aucun problème, et le texte a été parfaitement extrait.

extrait le texte de bold-italic.png.

Utilisation de différentes langues

Tesseract OCR prend en charge environ 100 langues . Pour utiliser une langue, vous devez d'abord l'installer. Lorsque vous trouvez la langue que vous souhaitez utiliser dans la liste, notez son abréviation. Nous allons installer le support pour Welsh. Son abréviation est «cym», qui est l'abréviation de «Cymru», qui signifie gallois.

Le paquet d'installation s'appelle «tesseract-ocr-» avec l'abréviation de langue à la fin. Pour installer le fichier de langue gallois dans Ubuntu, nous utiliserons:

 sudo apt-get install tesseract-ocr-cym 

 sudo apt-get install tesseract-ocr-cym dans une fenêtre de terminal.

L'image avec le texte est au dessous de. C'est le premier couplet de l'hymne national gallois.

 image contenant le texte du premier couplet de l'hymne national gallois.

Voyons si Tesseract OCR iest à la hauteur du défi. Nous utiliserons l'option -l (language) pour indiquer à tesseract la langue dans laquelle nous voulons travailler:

 tesseract hen-wlad- fy-nhadau.png anthem -l cym --dpi 150 

tesseract hen-wlad-fy-nhadau.png anthem -l cym --dpi 150 dans une fenêtre de terminal.

tesseract s'en sort parfaitement, comme indiqué dans l'extrait texte ci-dessous. Da iawn , Tesseract OCR.

Texte gallois extrait.

Si votre document contient deux ou plusieurs langues (comme un dictionnaire gallois-anglais, par exemple), vous pouvez utiliser un plsignez ( + ) pour dire à tesseract d'ajouter une autre langue, comme ceci:

 tesseract image.png textfile -l eng + cym + fra 

Utilisation de Tesseract OCR avec des PDF

La commande tesseract est conçue pour fonctionner avec des fichiers image, mais elle ne peut pas lire les PDF. Toutefois, si vous devez extraire du texte d'un PDF, vous pouvez d'abord utiliser un autre utilitaire pour générer un ensemble d'images. Une seule image représentera une seule page du PDF.

L'utilitaire pdftppm dont vous avez besoin devrait déjà être installé sur votre ordinateur Linux. Le PDF que nous utiliserons pour notre exemple est une copie de l'article fondateur d'Alan Turing sur l'intelligence artificielle, «Computing Machinery and Intelligence».

 PDF de la page de titre de

Nous utilisons le -png pour spécifier que nous voulons créer des fichiers PNG. Le nom de fichier de notre PDF est «turing.pdf». Nous appellerons nos fichiers image «turing-01.png», «turing-02.png», etc.:

 pdftoppm -png turing.pdf turing 

pdftoppm -png turing.pdf turing dans une fenêtre de terminal.

Pour exécuter tesseract sur chaque fichier image à l'aide d'une seule commande, nous devons utiliser une pour la boucle . Pour chacun de nos fichiers «turing- nn .png», nous exécutons tesseract et créons un fichier texte appelé «text-» plus «turing- nn ”dans le cadre du nom du fichier image:

 for i in turing - ??. png; faire tesseract  "$ i " "texte- $ i " -l eng; done; 

pour i in turing - ??. png; do tesseract

Pour combiner tous les fichiers texte en un seul, nous pouvons utiliser cat :

 chat text-turing *> complete.txt 

cat text-turing *> complete.txt dans une fenêtre de terminal.

Alors, comment ça s'est passé? Très bien, comme vous pouvez le voir ci-dessous. La première page semble cependant assez difficile. Il a différents styles et tailles de texte, ainsi qu'une décoration. Il y a également un "filigrane" vertical sur le bord droit de la page.

Cependantr, la sortie est proche de l'original. Évidemment, le formatage a été perdu, mais le texte est correct.

Première page de texte extrait du PDF de Turing.

Le filigrane vertical a été transcrit comme une ligne de charabia en bas de page. Le texte était trop petit pour être lu par tesseract avec précision, mais il serait assez facile de le trouver et de le supprimer. Le pire résultat aurait été des caractères errants à la fin de chaque ligne.

Curieusement, les lettres simples au début de la liste des questions et réponses de la page deux ont été ignorées. La section du PDF est illustrée ci-dessous.

A liste de questions et réponses du PDF de l'article de Turing.

Comme vous pouvez voir ci-dessous, les questions restent, mais le «Q» et le «A» au début de chaque ligne ont été perdus.

 Texte extrait de la page de questions et réponses du PDF de Turing.

Les diagrammes ne seront pas non plus transcrits correctement. Regardons ce qui se passe lorsque nous essayons d'extraire celui ci-dessous du PDF de Turing.

Un diagramme de

Comme vous pouvez le voir dans notre résultatci-dessous, les caractères ont été lus, mais le format du diagramme a été perdu.

 Texte extrait d'un diagramme dans le PDF de Turing.

Encore une fois, tesseract a eu du mal avec la petite taille des indices, et ils ont été rendus incorrectement.

En toute honnêteté, cependant, c'était quand même un bon résultat. Nous n'avons pas été en mesure d'extraire du texte simple, mais cet exemple a été délibérément choisi car il présentait un défi.

Une bonne solution quand vous en avez besoin

L'OCR n'est pas quelque chose vous devrez utiliser quotidiennement. Cependant, lorsque le besoin se fait sentir, il est bon de savoir que vous avez l’un des meilleurs moteurs OCR à votre disposition.