我应该使用哪个 Tesseract OCR 库？

取决于你的语言以及你选择原生绑定还是 CLI 封装。Python 中 pytesseract 最简单，tesserocr 在进程内更快。JavaScript 中 tesseract.js 通过 WebAssembly 在浏览器和 Node 中运行。Java 用 Tess4J，Go 用 gosseract，C++ 用原生 TessBaseAPI。

CLI 封装和原生绑定有什么区别？

CLI 封装（如 pytesseract）把 tesseract 可执行文件作为子进程调用：设置简单，但每次调用较慢。原生绑定（如 tesserocr 或 Tess4J）在进程内链接 C/C++ API：更快、更可控，但需要开发库。

需要单独安装 Tesseract 引擎吗？

大多数封装需要。CLI 封装和原生绑定依赖已安装的 Tesseract 引擎和语言数据；只有 tesseract.js 内置了引擎的 WebAssembly 构建。

Tesseract OCR 库与封装 — Python、JS、C++、Java、Go、.NET

Q: tesseract.js 支持 PDF 吗？

不支持。tesseract.js 是识别图像的 WebAssembly 移植版，不支持 PDF 输入，也不修改识别模型。请先把 PDF 页面转为图片，或使用增加了 PDF 支持的库。

该选择哪个库？

选择你语言对应的行，然后阅读下面的章节。

语言	推荐	类型	备注
Python	`pytesseract`	CLI 封装	最简单；见 Python 指南。`tesserocr` 进程内更快。
JavaScript / TypeScript	`tesseract.js`	WASM	在浏览器和 Node 中运行；不支持 PDF。
C++	`TessBaseAPI`	原生	核心 API；控制力最强。
Java	`Tess4J`	JNA 绑定	需要把原生库加入 classpath。
Go	`gosseract`	cgo 绑定	需要 `libtesseract-dev`。
C# / .NET	`Tesseract` (.NET)	原生封装	NuGet 包；内置原生二进制。
Rust	`leptess`	原生绑定	链接 Leptonica + Tesseract。
PHP	`thiagoalessio/tesseract_ocr`	CLI 封装	Composer 包。

Python

生态最大：一个 CLI 封装加多个原生绑定。

pytesseract — 标准 CLI 封装。简单，但每次调用都会启动一个进程。
tesserocr — 链接 C++ API 的原生绑定；进程内更快，需要 libtesseract-dev。
pyocr — 支持多个引擎的封装。
aiopytesseract — 面向并发负载的异步封装。

python

pip install pytesseract pillow
import pytesseract
from PIL import Image
print(pytesseract.image_to_string(Image.open("image.png")))

完整指南：在 Python 中使用 Tesseract OCR（pytesseract）。

JavaScript / TypeScript

tesseract.js 通过 WebAssembly 把引擎带到浏览器和 Node。

javascript

npm install tesseract.js
const Tesseract = require('tesseract.js');
Tesseract.recognize('image.png', 'eng', { logger: m => console.log(m) })
  .then(({ data: { text } }) => console.log(text));

注意：tesseract.js 不支持 PDF 文件，也不修改识别模型。仅用于 Node 时，node-tesseract-ocr 封装已安装的 CLI。

C++

原生 TessBaseAPI 是参考集成，也是大多数绑定所封装的对象。

ocr.cpp

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

tesseract::TessBaseAPI* api = new tesseract::TessBaseAPI();
api->Init(NULL, "eng");
Pix* image = pixRead("image.png");
api->SetImage(image);
char* text = api->GetUTF8Text();
printf("%s", text);
api->End(); pixDestroy(&image);

针对 libtesseract-dev 和 libleptonica-dev 构建（见安装）。

Java

Tess4J 是成熟的 JNA 封装；JavaCPP 预设是另一种选择。

Ocr.java

// Maven: net.sourceforge.tess4j:tess4j
import net.sourceforge.tess4j.Tesseract;
Tesseract t = new Tesseract();
t.setDatapath("tessdata");
String text = t.doOCR(new java.io.File("image.png"));

Go

gosseract 使用 cgo 链接 Tesseract C++ 库。

main.go

go get github.com/otiai10/gosseract/v2
import "github.com/otiai10/gosseract/v2"
client := gosseract.NewClient()
defer client.Close()
client.SetImage("image.png")
text, _ := client.Text()

需要 libtesseract-dev 和 libleptonica-dev（Linux）或 Homebrew 包（macOS）。

C# / .NET

NuGet 包 Tesseract 封装原生库并内置二进制文件。

Program.cs

// dotnet add package Tesseract
using Tesseract;
using var engine = new TesseractEngine(@"./tessdata", "eng", EngineMode.Default);
using var img = Pix.LoadFromFile("image.png");
using var page = engine.Process(img);
Console.WriteLine(page.GetText());

其他语言

几乎每个生态都有社区绑定。

Rust — leptess（原生绑定）、rusty-tesseract（CLI 封装）。
PHP — thiagoalessio/tesseract_ocr（Composer，CLI 封装）。
Ruby — rtesseract（CLI 封装）。
C — Tesseract C API（tesseract/capi.h）。

CLI 封装 vs 原生绑定

在性能上，这个选择比语言更重要。

因素	CLI 封装	原生绑定
配置	简单 — 只需安装引擎	需要开发头文件/库
每次调用速度	较慢（每次调用一个进程）	较快（进程内）
控制力	仅 CLI 标志与配置	完整 API（迭代器、边界框、置信度）
示例	`pytesseract`、`rtesseract`、`node-tesseract-ocr`	`tesserocr`、`Tess4J`、`gosseract`、`TessBaseAPI`

一次性脚本通常用 CLI 封装最快。对于高吞吐或对延迟敏感的服务，优先使用原生绑定，或通过 CLI 批量处理（见性能说明）。

库常见问题

该用哪个 Tesseract 库？

在上表中找到你语言对应的行。需要速度和控制力就用原生绑定，追求简单就用 CLI 封装。

需要单独安装引擎吗？

大多数封装需要：它们依赖已安装的 Tesseract 引擎和语言数据。只有 tesseract.js 内置引擎的 WebAssembly 构建。

tesseract.js 支持 PDF 吗？

不支持。它识别图像；请先把 PDF 页面转为图片，或使用增加 PDF 支持的库。

哪个最快？

像 tesserocr、Tess4J、gosseract 这样的进程内原生绑定可避免每次调用的进程启动。CLI 封装则批量处理页面并使用 multiprocessing。

安装引擎，然后选择你的语言。