Tesseract OCR 命令行工具完全指南

Tesseract OCR 命令行工具完全指南

tesseract Tesseract Open Source OCR Engine (main repository) 项目地址: https://gitcode.com/gh_mirrors/tes/tesseract

概述

Tesseract 是一个开源的 OCR（光学字符识别）引擎，最初由 HP 实验室在 1985 至 1995 年间开发。它曾被评为 UNLV 测试中表现最佳的三大 OCR 引擎之一，2005 年被 HP 和 UNLV 开源，之后由 Google 维护至 2018 年。

基本用法

Tesseract 的基本命令行语法为：

tesseract 输入文件 输出基础名 [选项]... [配置文件]...

输入输出参数

• 输入文件：可以是图像文件或文本文件

  • 支持 Leptonica 库能读取的大多数图像格式
  • 文本文件应包含每行一个图像文件名列表
  • 使用 stdin 或 - 从标准输入读取

• 输出基础名：输出文件的基础名称

  • 默认添加 .txt 扩展名
  • 使用 stdout 或 - 输出到标准输出

核心选项详解

语言设置

-l LANG

• 指定识别语言，默认为英语(eng)
• 支持多语言组合，如 eng+chi_sim
• 使用 3 字符 ISO 639-2 语言代码

页面分割模式(PSM)

--psm N

PSM 参数控制 Tesseract 如何处理图像布局：

| 值 | 模式描述 | |----|----------| | 0 | 仅方向和脚本检测(OSD) | | 1 | 自动页面分割+OSD | | 3 | 全自动页面分割(默认) | | 4 | 单列变大小文本 | | 6 | 单块统一文本 | | 7 | 单行文本 | | 8 | 单字 | | 10 | 单字符 | | 11 | 稀疏文本(无特定顺序) |

OCR引擎模式(OEM)

--oem N

| 值 | 引擎类型 | |----|----------| | 0 | 仅原始 Tesseract 引擎 | | 1 | 仅 LSTM 神经网络 | | 2 | Tesseract + LSTM | | 3 | 自动选择(默认) |

高级配置

配置文件

Tesseract 支持多种输出格式的配置文件：

• alto：ALTO XML 格式
• hocr：hOCR 格式
• pdf：PDF 输出
• tsv：制表符分隔值
• txt：纯文本(默认)

示例同时生成多种格式：

tesseract image.png output alto hocr pdf

用户自定义数据

可通过以下方式增强识别效果：

1. 用户词表：--user-words 文件
   • 每行一个单词
2. 用户模式：--user-patterns 文件
   • 定义特殊文本模式
3. 自定义配置：创建配置文件禁用系统词典并加载用户数据

环境变量

• TESSDATA_PREFIX：指定语言数据目录路径
• OMP_THREAD_LIMIT：控制线程数(默认为4)

语言与脚本支持

Tesseract 4 支持超过 100 种语言和脚本，包括：

• 主流语言：英语、中文(简/繁)、日语、韩语等
• 特殊脚本：阿拉伯文、西里尔文、梵文等
• 垂直文本：韩文垂直、日文垂直等

完整列表可通过 --list-langs 查看。

性能优化建议

1. 对于简单文档，使用 --psm 6 或 --psm 7
2. 低性能设备设置 OMP_THREAD_LIMIT=1
3. 特定领域文本使用自定义词表
4. 高质量扫描文档使用 300-600 DPI

历史与发展

Tesseract 经历了多个重要版本迭代：

• 2.00：引入 Unicode 支持和训练能力
• 3.00：增加中日韩语言支持
• 4.00：引入 LSTM 神经网络引擎

当前版本同时支持传统模式和新式 LSTM 引擎，为用户提供灵活选择。

通过合理配置选项和自定义数据，Tesseract 能够满足从简单文档到复杂多语言文本的各种 OCR 需求。

tesseract Tesseract Open Source OCR Engine (main repository) 项目地址: https://gitcode.com/gh_mirrors/tes/tesseract