Tesseract OCR：开源文字识别引擎

项目简介

Tesseract 是一个开源 OCR（光学字符识别）引擎，仓库中同时包含两部分内容：OCR 引擎库 libtesseract 和命令行程序 tesseract。

Tesseract 4 引入了基于神经网络（LSTM）的新 OCR 引擎，侧重整行识别；同时仍保留 Tesseract 3 的旧版引擎（基于字符模式识别），可通过 Legacy OCR Engine 模式（--oem 0）启用兼容能力。旧版引擎需要配套的 traineddata 文件支持，例如来自 tessdata 仓库的数据文件。

项目支持 Unicode（UTF-8），开箱即可识别100 多种语言。当前主要稳定版本为第 5 版，起始于 2021 年 11 月 30 日发布的 5.0.0。

主要功能

• 多语言识别：支持 Unicode（UTF-8），内置对 100 多种语言的识别能力。
• 多种输入格式：支持 PNG、JPEG、TIFF 等多种图像格式。
• 多种输出格式：纯文本、hOCR（HTML）、PDF、仅含不可见文本的 PDF、TSV、ALTO 和 PAGE。
• 可训练：可以为其他语言训练识别模型，详见 Tesseract Training。
• 可供开发者调用：通过 libtesseract 的 C 或 C++ API 构建自己的应用；其他语言的绑定可参考 AddOns 文档中的 wrapper 部分。

需要注意的是，本项目不包含 GUI 图形界面程序，如需图形界面可参考 3rdParty 文档中的第三方项目。

安装与使用

安装方式有两种：使用预编译二进制包安装，或从源码编译。从源码构建前，请确认系统中的编译器属于受支持的编译器之列。

基本命令行用法：

tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]

查看各命令行选项的说明可执行 tesseract --help 或 man tesseract。更多示例见文档。

注意事项

• 很多情况下，为了获得更好的 OCR 结果，需要先提升输入图像的质量。
• Tesseract 依赖 Leptonica 库打开输入图像（例如非 PDF 的文档类文件），建议使用带 zlib、png、tiff 内置支持的 Leptonica（用于多页 TIFF）。
• 代码以 Apache License 2.0 授权；软件依赖的其他包可能采用不同的开源许可证，Leptonica 采用 BSD 2-clause 许可证。
• 提交 issue 前请先阅读仓库贡献指南，并优先查阅文档与 FAQ。issue 仅用于报告 bug，不用于提问。

本作品整理自 GitHub 开源项目 tesseract-ocr/tesseract，原作者 @tesseract-ocr，许可证 Apache-2.0。中文介绍由 AI 根据项目 README 整理，以原仓库为准。