Carriage return after each word

[pascal 06]

Hello everybody,

I'm using Tesseract with GScan2pdf under Linux.

When I do an OCR on a document, Tesseract recognition is quite good however it put a carriage return after each word. It is very annoying !

Here an example on what it does:

1. Scanned document in gscand2pdf:
   
2. Text recognition in gscan2pdf:
   
3. Generated pdf opened with Okular; copy selected text:
   
4. Pasted text:
   Conformément
    à l’article
    12 du
    Règlement du Fonds, le Fonds a procédé à sa deuxième
    distribution.
   Ce deuxième
    remboursement
    de capital
    s'élève
    à
    un
    montant
    de
    5.74
    €
    par part,
    soit
    5,74 % du nominal
   investi.
   

Here information about my system:

pascal@pascal-Latitude-5580:~$ lsb_release -a 
No LSB modules are available.
Distributor ID: Ubuntu

Description: Ubuntu 24.04.3 LTS 

Release: 24.04 

Codename: noble
pascal@pascal-Latitude-5580:~$ tesseract --version 

tesseract 5.3.4

 leptonica-1.82.0

 libgif 5.2.1 : libjpeg 8d (libjpeg-turbo 2.1.5) : libpng 1.6.43 : libtiff 4.5.1 : zlib 1.3 : libwebp 1.3.2 : libopenjp2 2.5.0 

Found AVX2 

Found AVX 

Found FMA Found SSE4.1 

Found OpenMP 201511 

Found libarchive 3.7.2 zlib/1.3 liblzma/5.4.5 bz2lib/1.0.8 liblz4/1.9.4 libzstd/1.5.5 

Found libcurl/8.5.0 OpenSSL/3.0.13 zlib/1.3 brotli/1.1.0 zstd/1.5.5 libidn2/2.3.7 libpsl/0.21.2 (+libidn2/2.3.7) libssh/0.10.6/openssl/zlib nghttp2/1.59.0 librtmp/2.3 OpenLDAP/2.6.7

Any idea ?

Thanks a lot in advance for your help.

[pascal 06]

Hello,

so somebody suggested me to do an OCR directly from command line. So using the example above, I did:

~~~

tesseract test.tif test.txt -l fra

~~~

and then the result:

>Conformément à l’article 12 du Règlement du Fonds, le Fonds a procédé à sa deuxième distribution.
>Ce deuxième remboursement de capital s'élève à un montant de 5.74 € par part, soit 5,74 % du nominal
>
>investi.

Do you have any idea what's going on?
Thank you in advance for any help you can provide,
Pascal