Concept

tesseract

2026-04-24

概述

详细说明在Linux/Windows环境下安装配置Tesseract OCR的完整流程，包含源码编译、环境变量配置及Python依赖安装方法。

什么是 tesseract

Tesseract 是 Google 开源的光学字符识别（OCR）引擎，基于 Leptonica 图像处理库，支持多语言文字识别，可通过训练自定义模型识别特定字体或图像内容。

核心概念

  1. 训练数据：由 .traineddata 文件组成，定义语言模型和字符特征。
  2. 语言包：预训练的语言模型（如 eng 英文、chi_sim 简体中文），需通过 tesseract 命令加载。
  3. API 接口：提供 C++/Python 等语言的调用接口，支持图像预处理、文本布局分析（LAYOUT）和结果校验。
  4. 页面分割模式（PSM）：定义图像文字区域的分割方式（如自动检测、单行文本等）。

典型应用场景

  • 文档数字化（PDF/扫描件转文本）
  • 表单数据提取（如发票、表格）
  • 图像文字内容检索（如验证码识别、书籍扫描）
  • 自动化测试（UI 自动化中的文字验证）

相关技术

  • Leptonica：图像处理库，提供图像缩放、二值化等预处理功能。
  • OpenCV：常用于图像预处理（降噪、灰度化）以提升 OCR 准确率。
  • Tesseract 训练工具：用于生成自定义 .traineddata 模型。
  • pytesseract：Python 封装库，简化 Tesseract API 调用。

学习路径建议

1. 环境准备

  • Linux：

    1sudo apt install tesseract-ocr tesseract-ocr-chi-sim  # Debian/Ubuntu
2sudo yum install tesseract tesseract-lang        # CentOS

    或从源码编译：

    1git clone https://github.com/tesseract-ocr/tesseract.git
2cd tesseract && ./autogen.sh && ./configure && make && sudo make install

  • Windows：
    下载预编译包（https://github.com/UB-Mannheim/tesseract/wiki），或通过 vcpkg 安装：

    1vcpkg install tesseract

2. 环境变量配置

  • 添加 tesseract 可执行文件路径到 PATH（如 /usr/local/bin 或 C:\Program Files\Tesseract）。
  • 验证安装： 
    1tesseract --version

3. Python 依赖安装

1pip install pytesseract pillow
  • 确保 Python 脚本中设置 pytesseract.pytesseract_cmd 指向正确路径： 
    1import pytesseract
2pytesseract.pytesseract_cmd = r'C:\Program Files\Tesseract\tesseract.exe'

4. 进阶使用

  • 安装语言包： 
    1tesseract --list-langs  # 查看已安装语言包
  • 自定义训练模型：
    1. 准备训练图像（标注字符位置）
    2. 使用 tesseract 生成 .box 文件
    3. 调用 combine_langs 合并训练数据

5. 调优与调试

  • 使用 --psm 参数调整页面分割模式（如 --psm 6 适用于单块文本）。
  • 通过 tesseract image.png output -c tessedit_char_whitelist=0123456789 限制字符集。
  • 结合 OpenCV 预处理图像（如 cv2.threshold() 二值化）。

提示：生产环境建议使用 Docker 镜像（如 johndoe/tesseract）或通过 conda 管理依赖。

相关来源