Tesseract OCR 技术开发手册
Tesseract OCR 是全球最流行且成熟的开源光学字符识别引擎，基于 LSTM 深度神经网络，支持识别 100 多种全球语言。
什么是 Tesseract？
Tesseract 是一款把图像像素转换为可搜索结构化文本的 OCR 引擎。它于 1985 年起源于惠普公司，目前由开源社区维护，借助 LSTM 神经网络原生支持 100 多种语言。
开发者指南
除了本参考文档外，我们还为每项 Tesseract 开发任务发布了经过验证的完整指南：
安装指南
根据您的开发环境选择合适的操作系统安装指令：
macOS (Homebrew)
brew install tesseract
brew install tesseract-lang # 安装全语言模型Ubuntu / Debian
sudo apt update
sudo apt install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-engWindows
winget install UB-Mannheim.TesseractOCR
# 或使用 Scoop:
scoop install tesseractCLI 快速入门
基础文字提取命令示例：
# 从图片识别中英文并输出至终端 stdout
tesseract input.png stdout -l chi_sim+eng
# 输出保存为文本文件 (output.txt)
tesseract scan.jpg output -l chi_sim+eng
# 直接生成双层可搜索可复制 PDF
tesseract document.tif output_searchable -l chi_sim pdf页面分割模式 (PSM)
使用 --psm <N> 参数指定版面分析策略：
| PSM | 模式说明 | 适用场景 |
|---|---|---|
0 |
仅方向和文字体系检测 (OSD) | 旋转角度校正与语种识别 |
1 |
自动页面分割 + OSD | 多语言混排复杂扫描件 |
3 |
全自动页面分割 (默认) | 标准多段落普通文档 |
6 |
单个统一文本块 | 发票、收据、单一文字段落 |
7 |
单行文本 | 车牌号码、条形码下方文本 |
8 |
单个单词 | 验证码、独立词语 |
OCR 引擎模式 (OEM)
OEM 用于在 Tesseract 传统的模式匹配引擎和现代 LSTM 神经网络之间切换。可以通过 --oem 参数进行设置。
- 0: 仅使用传统引擎（传统图像解析）。
- 1: 仅使用 LSTM 神经网络引擎（快速且准确）。
- 2: 传统引擎与 LSTM 组合使用。
- 3: 默认值，取决于 .traineddata 模型中可用的内容。
输出格式 (PDF, hOCR)
使用 pdf 输出可将图片转换为可搜索的 PDF；如需每个词的坐标数据，请选择 hOCR/TSV/ALTO。
# 可搜索 PDF
tesseract document.tif output pdf
# 坐标数据 (hOCR)
tesseract input.png out hocr→ Tesseract OCR PDF 完整指南 — 可搜索 PDF、OCRmyPDF、Python 与疑难解答。
Python 集成（pytesseract）
安装引擎，然后运行 pip install pytesseract pillow。完整指南涵盖 image_to_string、图像预处理、PDF、置信度、PSM/OEM 配置与故障排查。
Node.js 与浏览器（tesseract.js）
tesseract.js 通过 WebAssembly 在浏览器或 Node 中使用。它识别图像，不支持 PDF。所有封装与取舍请参阅库参考。
自定义模型微调训练 (tesstrain)
Tesseract 5 使用 tesstrain 项目微调和训练 LSTM 模型。训练无法通过二进制安装程序获得：你需要从源码构建（或 WSL2），以及 make、真值数据生成和 tesstrain 仓库。
相关的文档 AI 与深度学习引擎
Tesseract 是文字提取的成熟开源方案，但现代文档处理流程也常将其与专门的神经网络引擎配合使用：