Tesseract OCR — Open-Source-Engine zur optischen Zeichenerkennung

Installation

Da Tesseract eine optimierte C++ Bibliothek ist, empfiehlt sich die Installation über den Paketmanager Ihres Betriebssystems.

macOS

Homebrew ist die offiziell empfohlene Methode für macOS (Apple Silicon und Intel Chips).

brew install tesseract
brew install tesseract-lang

Ubuntu / Debian

Die Standard-Paketquellen von apt enthalten stabile Versionen von Tesseract.

sudo apt install tesseract-ocr
sudo apt install tesseract-ocr-deu tesseract-ocr-all

Windows

Vorkompilierte Windows-Installer werden durch das UB Mannheim Projekt bereitgestellt. Paketmanager wie scoop oder winget unterstützen Tesseract ebenfalls nativ.

scoop install tesseract
scoop install tesseract-languages

Schnellstart & Grundlegende CLI-Befehle

Tesseract ist primär ein Kommandozeilenwerkzeug. Die Textextraktion gelingt in einer einzigen Zeile.

tesseract bildname ausgabename [-l sprache] [-psm segmentierungsmodus] [konfigurationsdatei...]

Beispiel: Deutschen Text extrahieren

Um Text aus rechnung.png zu extrahieren und in ergebnis.txt zu speichern:

tesseract rechnung.png ergebnis -l deu

Seitensegmentierungsmodi (PSM)

Seitensegmentierungsmodi (PSM) steuern, wie Tesseract das visuelle Layout eines Bildes analysiert, um Textblöcke zu finden. Standardmäßig erwartet Tesseract eine vollständige Textseite (PSM 3). Wenn Ihre Eingabe nur eine Zeile oder unzusammenhängenden Text enthält, setzen Sie das Flag --psm entsprechend.

• 0: Nur Erkennung von Orientierung und Schriftart (OSD).
• 1: Automatische Seitensegmentierung mit OSD.
• 3: Vollautomatische Seitensegmentierung ohne OSD. *(Standard)*
• 4: Einzelne Textspalte mit variablen Schriftgrößen.
• 6: Einzelner einheitlicher Textblock.
• 7: Bild als einzelne Textzeile behandeln.
• 11: Sparsamer Text. Findet so viel Text wie möglich ohne feste Ordnung.
• 13: Reine Zeile. Verarbeitet als Einzelzeile unter Umgehung interner Heuristiken.

Um die Erkennung als einzelne Zeile zu erzwingen:

tesseract barcode.png stdout --psm 7

OCR Engine Modi (OEM)

Die Engine-Modi (OEM) erlauben das Umschalten zwischen dem klassischen regelbasierten Erkennungsverfahren und dem modernen neuronalen LSTM-Netzwerk. Sie können die Modi über das Flag --oem steuern, um Geschwindigkeit und Präzision abzustimmen.

• 0: Nur klassische Legacy-Engine. (Traditionelle Computer-Vision-Methoden).
• 1: Nur neuronale LSTM-Engine. (Schnell und hochpräzise).
• 2: Legacy- und LSTM-Engine kombiniert.
• 3: Standard, basierend auf dem geladenen .traineddata Modell.

Ausgabeformate

Neben einfachem Text im Terminal oder in .txt-Dateien kann Tesseract durchsuchbare PDFs und präzise Layoutgeometrien generieren.

Durchsuchbare PDFs

Um ein gescanntes Bild in ein durchsuchbares PDF mit unsichtbarem, exakt ausgerichtetem Text über dem Originalbild umzuwandeln:

tesseract dokument.tif ausgabe_pdf pdf

PDF nur mit unsichtbarem Text

Nützlich, wenn Sie in einer Pipeline erkannten Text über bereits bestehende PDF-Seiten legen möchten:

tesseract scan.png ausgabe textonly_pdf

hOCR / TSV / ALTO

Wenn Sie exakte Pixelkoordinaten (Bounding Boxes) jedes Wortes und deren Konfidenzwerte benötigen:

tesseract bild.png ausgabe hocr
tesseract bild.png ausgabe tsv

Programmierschnittstellen & Wrapper

Möchten Sie Tesseract in eine Web-App oder einen Microservice einbinden? Die Community bietet Bibliotheken für nahezu jede moderne Programmiersprache.

Python (pytesseract)

Erfordert das installierte Tesseract-Kommandozeilentool auf dem System.

import pytesseract
from PIL import Image

img = Image.open('beleg.png')
text = pytesseract.image_to_string(img, lang='deu')
print(text)

Node.js & JavaScript (tesseract.js)

Vollständige WebAssembly-Portierung der C++-API. Läuft direkt im Browser ohne serverseitige Binärinstallationen.

const Tesseract = require('tesseract.js');

Tesseract.recognize(
  'https://tesseractocr.org/beispiel.png',
  'deu',
  { logger: m => console.log(m) }
).then(({ data: { text } }) => {
  console.log(text);
});

Eigene OCR-Modelle trainieren

Tesseract 5 nutzt die Infrastruktur des tesstrain Projekts zum Trainieren und Fine-Tunen von neuronalen LSTM-Modellen.

Das tesstrain Repository

Im Gegensatz zu Version 3 ist das Training in Version 5 durch Makefiles automatisiert, die die Generierung großer Mengen an Trainingsdaten steuern.

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

Ausführliche Anleitungen zur Erstellung von Ground Truth (GT) Daten und Trainingsepochen finden Sie direkt im offiziellen tesstrain GitHub Repository.

Verwandte Dokumenten-KI & Deep-Learning-Engines

Obwohl Tesseract der bewährte Open-Source-Standard ist, werden moderne Pipelines häufig durch spezialisierte Bibliotheken ergänzt:

• PaddleOCR: Deep-Learning-OCR-Framework (PP-OCR) mit hervorragender Tabellenerkennung und Unterstützung für mehrsprachige Dokumente.
• Docling: Dokumentenparser für Generative AI und RAG, der PDFs und Bilder in strukturiertes Markdown und JSON umwandelt.
• Python Pillow: Die Standardbibliothek zur Bildverarbeitung in Python (Kontrastanpassung, Schwellenwerte und Zuschnitt) vor dem OCR-Lauf.