简介Tesseract-OCR 是一款开源的光学字符识别引擎可从图像中提取文字支持百余种语言广泛用于文档扫描、数据录入与自动化处理。本资源面向需要集成 OCR 能力的开发者、运维人员及中文文档处理用户提供完整安装包与中文语言包解决中文识别精度不足的问题。压缩包共 724 个文件约 36.01MB以 C 源码271 个 cpp与头文件274 个 h为主体辅以 Java、XML、Shell 脚本、CMake 构建文件及训练数据、字体、示例图片等覆盖编译、训练与运行所需组件。已有 288 人学习下载。安装后即可调用多语言 API中文语言包内含汉字识别数据能显著提升中文文本提取准确率适合快速搭建 OCR 环境并投入实际项目使用。1. 装 Tesseract-OCR 前先把版本和语言包这件事想清楚很多人第一次装 Tesseract-OCR都是被“免费开源”四个字吸引进来的结果装完一跑tesseract --version没问题一识别中文图片就返回一堆乱码或者直接报Error opening data file。这不是软件坏了是语言包没配对。Tesseract 从 3.x 到 4.x 再到 5.x引擎架构换过一次训练好的语言包格式也跟着变拿 3.x 的chi_sim.traineddata往 5.x 里塞大概率能加载但识别率惨不忍睹。我见过最典型的翻车现场是某开发者在一台内网机器上装完主程序以为自带中文结果 OCR 出来的结果全是英文乱码排查了一下午才发现语言包目录是空的。这套环境适合谁适合需要把图片文字转成可编辑文本的开发者、做文档数字化的运维、以及想在自己项目里集成 OCR 能力但不想调云服务接口的人。装之前版本、语言包、环境变量这三件事必须先定下来。2. 环境准备与版本选择主程序、语言包、依赖一个都不能少2.1 先确认你要的是 4.x 还是 5.xTesseract 目前主流稳定版是 4.1.1 和 5.3.x 两个分支。4.1.1 的优势是资料多、踩坑记录全很多老项目的集成代码都是照着 4.x 写的5.x 的优势是 LSTM 引擎更成熟对中文竖排和复杂版面的识别率有明显提升而且 5.x 开始官方提供了更完整的 Windows 安装包。我一般会这样选如果是新项目、只做中文识别直接上 5.3.x如果是维护老系统、依赖某个只兼容 4.x 的封装库那就锁死 4.1.1别折腾升级。版本一旦定了语言包也必须下对应版本的4.x 的语言包和 5.x 的语言包不通用这一点在下载页面上通常不会用大字提醒你。2.2 各平台安装方式对照不同系统装法差别很大先看这张对照表再决定走哪条路。平台推荐方式主程序来源语言包位置Windows官方安装包UB-Mannheim 构建版安装目录下tessdataUbuntu/Debianapttesseract-ocr/usr/share/tesseract-ocr/5/tessdatamacOSHomebrewbrew install tesseract/opt/homebrew/share/tessdata源码编译源码GitHub Release编译时--datadir指定Windows 下我强烈建议用 UB-Mannheim 的构建版它把依赖都打包好了装完就能用不用自己折腾 Leptonica 和 libtiff。Linux 下用 apt 最省事但要注意 apt 源里的版本可能偏旧Ubuntu 22.04 默认给的是 4.1.1想要 5.x 得加 PPA 或者自己编译。macOS 用 Homebrew 装完语言包默认只带英文中文要单独下。2.3 安装前的依赖检查源码编译才需要关心依赖用安装包或包管理器的可以跳过这一节。编译 Tesseract 5.x 需要 Leptonica 1.74 以上、libpng、libjpeg、libtiff、zlib缺一个都会在./configure阶段报错。我一般会先跑一遍# 检查关键依赖是否齐全 pkg-config --modversion lept pkg-config --modversion libpng pkg-config --modversion libtiff如果lept那行报Package lept was not found说明 Leptonica 没装或者版本太低先去装 Leptonica 再回来编译 Tesseract。这一步不做过后面编译到一半报错回头查更浪费时间。3. 下载与安装实操Windows、Linux、macOS 三条线3.1 Windows 下装 5.3.x 并配置中文语言包Windows 是最容易出问题的平台因为语言包要手动放。先从 UB-Mannheim 的页面下载tesseract-ocr-w64-setup-5.3.3.20231005.exe这类安装包双击安装安装路径我一般改成C:\Tesseract-OCR避免默认路径里的空格导致后面命令行调用出玄学问题。安装向导里有一个“Additional language data”的勾选项如果你勾了中文它会自动下chi_sim和chi_tra但下载速度看网络有时候会卡住。我习惯是不勾装完主程序后手动下语言包。手动下语言包去 Tesseract 的 tessdata 仓库找chi_sim.traineddata和chi_sim_vert.traineddata竖排中文用放到C:\Tesseract-OCR\tessdata目录下。放完之后验证# 查看已安装的语言列表 tesseract --list-langs正常应该输出chi_sim、chi_sim_vert、eng、osd这几项。如果chi_sim不在列表里说明文件没放对位置或者文件名多了后缀比如浏览器下下来变成chi_sim.traineddata.txt这个坑我踩过不止一次。3.2 Ubuntu 下用 apt 装 4.1.1 并补 5.x 语言包Ubuntu 22.04 直接apt install tesseract-ocr装的是 4.1.1语言包用apt install tesseract-ocr-chi-sim装。但 apt 源里的语言包版本可能和主程序不匹配我遇到过装完chi_sim后识别率极低的情况后来换成手动下 4.1.1 对应的语言包才正常。# 安装主程序和中文语言包 sudo apt update sudo apt install -y tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra # 验证版本和语言 tesseract --version tesseract --list-langs如果--list-langs只输出eng和osd说明语言包没装上检查/usr/share/tesseract-ocr/4.00/tessdata/目录下有没有chi_sim.traineddata。Ubuntu 不同版本 tessdata 路径不一样4.x 是4.005.x 是5用dpkg -L tesseract-ocr可以看具体路径。3.3 macOS 下用 Homebrew 装并指定语言包路径macOS 用 Homebrew 装最省心但中文语言包要单独处理# 安装主程序 brew install tesseract # 安装语言包Homebrew 有单独的 formula brew install tesseract-lang # 验证 tesseract --list-langstesseract-lang这个 formula 会把所有语言包都装上包括中文省得自己下。但要注意如果你之前手动往/opt/homebrew/share/tessdata放过语言包brew 升级时可能会覆盖或者冲突我一般会先备份再升级。装完后如果--list-langs里没有chi_sim检查TESSDATA_PREFIX环境变量是不是指向了错误的目录。3.4 配置环境变量TESSDATA_PREFIX 怎么设TESSDATA_PREFIX是 Tesseract 找语言包的路径不设的话它会去默认路径找。Windows 下装完安装包通常会自动加但如果你手动移动了 tessdata 目录就要手动改。Linux 和 macOS 下如果语言包不在默认路径也必须设。# Linux/macOS 下临时生效 export TESSDATA_PREFIX/usr/share/tesseract-ocr/5/tessdata # 永久生效写进 shell 配置 echo export TESSDATA_PREFIX/usr/share/tesseract-ocr/5/tessdata ~/.bashrc source ~/.bashrcWindows 下在“系统属性 → 环境变量”里新建TESSDATA_PREFIX值填C:\Tesseract-OCR\tessdata。设完记得重开命令行窗口不然旧窗口读不到新变量。这个变量设错的表现是tesseract --list-langs能列出语言但实际识别时报Error opening data file因为程序找语言包的路径和 list 的路径不是同一个。4. 避坑与常见问题语言包、路径、权限的五个血泪教训4.1 现象识别中文返回空或乱码原因语言包没装或者版本不匹配。Tesseract 4.x 和 5.x 的chi_sim.traineddata格式不同混用会导致加载失败但程序不报错只是输出空结果。解决确认主程序版本去对应版本的 tessdata 仓库下语言包放对目录后跑tesseract --list-langs确认。4.2 现象Error opening data file .../chi_sim.traineddata原因TESSDATA_PREFIX指向的目录里没有这个文件或者路径末尾多了斜杠。Tesseract 对路径末尾斜杠很敏感/path/tessdata/和/path/tessdata行为可能不一样。解决去掉末尾斜杠用绝对路径确认文件确实存在。4.3 现象Windows 下命令行提示tesseract 不是内部或外部命令原因安装时没勾“Add to PATH”或者勾了但没重启命令行。解决手动把C:\Tesseract-OCR加到系统 PATH 里重开 cmd 或 PowerShell。如果还不行检查安装目录下有没有tesseract.exe有些杀毒软件会误删。4.4 现象Linux 下 apt 装完语言包但--list-langs不显示原因apt 装的语言包放到了/usr/share/tesseract-ocr/4.00/tessdata/但主程序实际读的是/usr/share/tesseract-ocr/5/tessdata/路径不一致。解决用dpkg -L tesseract-ocr-chi-sim看文件实际装到哪然后把TESSDATA_PREFIX指过去或者把语言包复制到主程序读取的目录。4.5 现象识别速度极慢一张图要几十秒原因图片分辨率太高Tesseract 默认按原图处理。或者用了--oem 0旧引擎而不是--oem 1LSTM。解决识别前用 ImageMagick 或 PIL 把图片缩到 300 DPI 左右命令行加--oem 1强制用 LSTM 引擎。我一般会在脚本里先做一步预处理from PIL import Image # 打开图片并转为灰度降低分辨率到 300 DPI 等效 img Image.open(input.png).convert(L) img img.resize((int(img.width * 0.5), int(img.height * 0.5)), Image.LANCZOS) img.save(processed.png)这段代码把图片转灰度并缩小一半能显著提升识别速度代价是极小的文字可能丢失。参数0.5是缩放比例根据原图分辨率调整一般 2000px 宽的图缩到 1000px 左右比较合适。5. 装完怎么验证跑通三条命令加一个中文识别实例装完不验证等于没装。我一般会走三步先看版本再看语言列表最后跑一张真实中文图片。前两步是基础检查第三步才是真正能暴露问题的环节。# 第一步确认版本 tesseract --version # 第二步确认语言包 tesseract --list-langs # 第三步识别一张中文测试图 tesseract test_chi.png stdout -l chi_sim --oem 1 --psm 3--oem 1指定用 LSTM 引擎--psm 3是默认的自动页面分割模式适合大多数排版规整的文档。如果输出是乱码先换--psm 6假设为单一文本块试试有时候页面分割算法会把中文段落切碎。stdout表示结果直接打印到终端不生成文件方便快速验证。如果第三步输出正常中文说明环境通了。如果输出空或者报错按这个顺序排查先确认test_chi.png里确实有中文且图片清晰再确认--list-langs里有chi_sim最后确认TESSDATA_PREFIX指向的目录里有chi_sim.traineddata。这三步覆盖了九成以上的安装问题。还有一个容易被忽略的点Tesseract 对图片的 DPI 有要求低于 70 DPI 的图片识别率会断崖式下降。如果你手头的测试图是从网页截的DPI 可能只有 72识别效果差是正常的不是环境问题。我一般会用identify -verbose test_chi.png | grep Resolution看一下 DPI低于 150 就先放大再识别。从那以后我每次装完 Tesseract都会强制走一遍“版本 → 语言列表 → 真实中文图识别”这三步不跑完不往下做集成。希望帮到你。本文还有配套的精品资源点击获取