Tesseract OCR

目录

• Tesseract OCR
  • 简介
  • 简史
  • 安装 Tesseract
  • 运行 Tesseract
  • 面向开发者
  • 支持
  • 许可证
  • 依赖项
  • 最新版 README

简介

本软件包包含一个 OCR 引擎——libtesseract，以及一个 命令行程序——tesseract。

Tesseract 4 引入了基于神经网络（LSTM）的全新 OCR 引擎，该引擎专注于行级识别，但同时也继续支持 Tesseract 3 中的传统 OCR 引擎，后者通过模式匹配来识别字符。为了兼容 Tesseract 3 的行为，可以使用传统 OCR 引擎模式（--oem 0）。

此外，还需要一些支持传统引擎的 traineddata 文件，例如来自 tessdata 仓库中的文件。

目前的主要开发者是 Stefan Weil。Ray Smith 曾担任主要开发者，直至 2017 年。维护者为 Zdenko Podobny。贡献者列表请参见 AUTHORS 文件及 GitHub 上的 贡献者统计。

Tesseract 具有 Unicode (UTF-8) 支持，并且能够“开箱即用”地 识别超过 100 种语言。

Tesseract 支持 多种图像格式，包括 PNG、JPEG 和 TIFF 等。

Tesseract 还支持多种输出格式：纯文本、hOCR（HTML）、PDF、仅含隐形文本的 PDF、TSV、ALTO 和 PAGE。

需要注意的是，在许多情况下，为了获得更好的 OCR 结果，您需要先 提升图像质量。

本项目 不包含 GUI 应用程序。如果您需要，请参阅 3rdParty 文档。

Tesseract 可以被训练以识别其他语言。更多信息请参见 Tesseract 训练。

简史

Tesseract 最初由英国布里斯托尔的惠普实验室和美国科罗拉多州格里利的惠普公司于 1985 年至 1994 年间开发，并在 1996 年进行了部分修改以适配 Windows 系统，1998 年则完成了 C++ 化改造。2005 年，惠普公司将 Tesseract 开源。从 2006 年到 2017 年 8 月，该项目由 Google 维护。

当前稳定版本为 5.x 系列，首个版本是 5.0.0，于 2021 年 11 月 30 日发布。后续的小版本及修复版本均可在 GitHub 上获取。

最新的源代码可在 GitHub 主分支 上找到。未解决的问题可以在 问题追踪器 以及 规划文档 中查看。

更多关于发布的详细信息，请参阅 发布说明 和 变更日志。

安装 Tesseract

您可以选择 通过预编译的二进制包安装 Tesseract（安装指南），也可以 从源码编译安装（编译指南）。

在从源码编译之前，请确保您的系统上已安装以下任一 支持的编译器（支持的编译器列表）。

运行 Tesseract

基本的 命令行用法 如下：

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

如需了解更多命令行选项的信息，可以使用 tesseract --help 或 man tesseract 命令。

示例请参见 文档。

面向开发者

开发者可以使用 libtesseract 提供的 C（头文件）或 C++（头文件）API 来构建自己的应用程序。如果需要其他编程语言的绑定，请参阅 AddOns 文档中的 封装库 部分。

由 Doxygen 生成的 Tesseract 源码文档可在 tesseract-ocr.github.io 上查阅。

支持

在提交问题之前，请仔细阅读 本仓库的贡献指南。

若需技术支持，首先请阅读 文档 中的内容，尤其是 常见问题解答，看看是否能找到解决方案。如果没有，请尝试在 Tesseract 用户论坛、Tesseract 开发者论坛 以及过往的问题记录中寻找答案。如果仍然无法解决问题，可以通过邮件列表寻求帮助。

邮件列表如下：

• tesseract-ocr —— 适用于 Tesseract 用户。
• tesseract-dev —— 适用于 Tesseract 开发者。

请注意，仅当遇到 bug 时才应提交问题，不要用于提问。

许可证

本仓库中的代码根据 Apache 许可证第 2.0 版（“许可证”）授权；
除非符合该许可证的规定，否则不得使用此文件。
您可以在以下网址获取许可证副本：

   http://www.apache.org/licenses/LICENSE-2.0

除非适用法律要求或书面同意，否则软件
按照“原样”基础进行分发，
不提供任何形式的保证或条件，无论是明示的还是默示的。
有关权限和限制的具体内容，请参阅许可证。

注意：本软件依赖于其他软件包，这些软件包可能采用不同的开源许可证。

Tesseract 使用 Leptonica 库，该库主要采用 BSD 2 条款许可证。

依赖项

Tesseract 使用 Leptonica 库 来打开输入图像（例如非 PDF 等文档格式的图像）。 建议使用内置支持 zlib、 png 和 tiff（用于多页 TIFF 文件）的 Leptonica。

最新版本的 README

如需查看最新在线版的 README.md，请访问：

https://github.com/tesseract-ocr/tesseract/blob/main/README.md

Tesseract OCR 快速上手指南

Tesseract 是一款由 HP 实验室开发、Google 维护并开源的 OCR（光学字符识别）引擎。它支持 LSTM 神经网络识别模式，能够识别 100 多种语言，并支持多种图像格式及输出格式。

环境准备

系统要求

• 操作系统：Linux, macOS, Windows
• 编译器：需具备支持的 C++ 编译器（如 GCC, Clang, MSVC）。

前置依赖

Tesseract 核心依赖 Leptonica 库用于图像处理。建议在编译 Leptonica 时内置以下支持以获得最佳兼容性：

• zlib
• libpng (用于 PNG 图像)
• libtiff (用于多页 TIFF 图像)

注意：Tesseract 本身不包含图形用户界面（GUI）。如需 GUI，请参考第三方项目列表。

安装步骤

您可以选择使用预构建的二进制包安装（推荐新手），或从源码编译。

方式一：使用包管理器安装（推荐）

Ubuntu / Debian:

sudo apt update
sudo apt install tesseract-ocr
# 安装中文语言包（可选，根据需要安装其他语言）
sudo apt install tesseract-ocr-chi-sim

macOS (Homebrew):

brew install tesseract
# 安装中文语言包
brew install tesseract-lang

Windows: 建议通过 UB-Mannheim 下载最新的 .exe 安装程序进行安装。安装时请勾选所需语言数据。

方式二：从源码编译

如果您需要最新特性或自定义配置，可以从 GitHub 获取源码编译。

1. 克隆仓库：

   git clone https://github.com/tesseract-ocr/tesseract.git
   cd tesseract
   

2. 构建与安装（以 Linux 为例，需先安装 autotools 和依赖库）：

   ./autogen.sh
   ./configure
   make
   sudo make install
   sudo ldconfig
   

语言数据文件 (Traineddata)

Tesseract 需要语言数据文件才能工作。

• 默认安装通常包含英语数据。
• 其他语言数据可从 tessdata 仓库下载，并放置于 Tesseract 的 tessdata 目录中。

基本使用

Tesseract 主要通过命令行工具 tesseract 使用。

命令语法

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

• imagename: 输入图像路径（支持 PNG, JPEG, TIFF 等）。
• outputbase: 输出文件的基础名称（不含扩展名，Tesseract 会自动添加 .txt 或其他后缀）。
• -l lang: 指定识别语言（例如 chi_sim 代表简体中文，eng 代表英语）。默认为 eng。
• --oem: OCR 引擎模式。1 为仅 LSTM 神经网络（默认且推荐），0 为仅传统引擎。
• --psm: 页面分割模式。

简单示例

1. 识别英文图片：

   tesseract my_image.png result
   

   结果将保存在 result.txt 中。

2. 识别简体中文图片：

   tesseract chinese_image.png result -l chi_sim
   

3. 指定输出格式为 PDF：

   tesseract my_image.pdf result pdf
   

4. 查看帮助信息：

   tesseract --help
   man tesseract
   

开发者接口

开发人员可以通过 libtesseract 的 C API (capi.h) 或 C++ API (baseapi.h) 将 OCR 功能集成到自己的应用程序中。其他编程语言（如 Python, Java 等）可通过相应的 Wrapper 库调用。