简介Tesseract-OCR 是一款免费开源的光学字符识别引擎可从图像中提取文字并输出多种文本格式支持百余种语言。本资源面向需要集成 OCR 能力的开发者、数据录入与文档管理从业者提供完整安装包及中文语言包解决中文文档识别精度不足的问题。压缩包共 724 个文件约 36.01MB以 C 源码cpp、h和 Java、XML 等接口文件为主同时包含训练数据、语言模型、配置脚本与命令行工具如 unicharset_extractor、shapeclustering、mftraining 等便于二次编译与模型训练。已有 288 人学习下载。安装后即可用于自动化文档扫描、图像文字提取等任务中文语言包进一步提升了汉字识别准确率适合从入门到进阶的 OCR 实践者参考使用。1. 从一张发票照片到可编辑文本Tesseract-OCR 到底能替你省下什么上周帮一个做财务系统的朋友处理一批扫描件对方发来 200 多张发票照片要求把发票代码、金额、开票日期提取成 Excel。他第一反应是找外包录入报价按张算我直接拦住了——这种固定版式的印刷体识别Tesseract-OCR 跑一遍准确率能到 95% 以上剩下的抽检修正就行。Tesseract-OCR 是惠普实验室起步、后来由 Google 接手维护的光学字符识别引擎采用 Apache 2.0 协议商用免费支持 100 多种语言中文简体、繁体、竖排都能覆盖。它不像某些在线 OCR 接口按调用次数收费也不依赖网络装完就是本地一个命令行工具加一套语言包。适合谁需要批量处理扫描件、发票、证件、书籍数字化又不想把数据传到第三方服务器的开发者。这份资源就是完整的安装包加中文语言包Windows、Linux、macOS 都能落地。2. 安装与语言包配置把引擎和中文识别能力装进本地2.1 各平台安装方式与版本选择Tesseract 的安装方式在不同系统上差异不小选错了后面调用会一直报错。Windows 用户最常见的是直接拿编译好的安装包双击一路下一步安装时记得勾选 Additional language data否则中文包要单独补。Linux 下用包管理器最省事但要注意发行版仓库里的版本可能偏旧Ubuntu 20.04 自带的是 4.x而 5.x 对 LSTM 引擎的识别率提升明显尤其是中文。macOS 用 Homebrew 装最干净语言包通过 tesseract-lang 一并拉下来。# Ubuntu/Debian 安装主程序与中文语言包 sudo apt update sudo apt install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra # 查看已安装的语言包确认 chi_sim 在列 tesseract --list-langs # macOS 通过 Homebrew 安装 brew install tesseract brew install tesseract-lang # Windows 下如果用的是安装包默认路径通常在 # C:\Program Files\Tesseract-OCR\tesseract.exe # 语言包放在 tessdata 子目录里上面命令里tesseract-ocr-chi-sim是简体中文chi-tra是繁体。--list-langs会输出所有可用语言代码如果只看到 eng 和 osd说明中文包没装进去。Windows 用户如果安装时没勾选语言数据需要手动把下载的chi_sim.traineddata复制到Tesseract-OCR\tessdata目录下这个目录路径可以通过tesseract --print-parameters | findstr tessdata查到。2.2 语言包文件结构与参数含义语言包本质是一个.traineddata文件里面打包了 LSTM 神经网络权重、字符集映射和字典。中文简体包大约 40MB 左右繁体类似。Tesseract 4.0 之后默认走 LSTM 引擎识别精度比旧的 Tesseract 3 的方块特征方法高出一截但速度稍慢。如果你处理的是非常干净的印刷体可以尝试--oem 0切回旧引擎换速度不过中文场景下我一般不建议LSTM 的收益远大于那点时间差。关键参数有几个必须知道--psm控制页面分割模式默认是 3全自动分页单行文本用 7单字用 10散落文本用 11。中文识别里 psm 设错是翻车重灾区比如一张只有一行的截图用默认 3引擎会试图找段落结构结果把字切碎。-l指定语言可以叠加比如-l chi_simeng同时识别中英文混排。--oem选引擎模式0 是旧引擎1 是 LSTM2 是两者混合3 是自动选择。# 识别一张中文截图指定简体中文和单行模式 tesseract invoice.png stdout -l chi_sim --psm 7 # 中英文混排输出到文件 tesseract mixed.png result -l chi_simeng --psm 6 # 查看当前版本和引擎信息 tesseract --versionstdout表示结果直接打印到终端不写文件。--psm 6是假设一个统一文本块适合大部分规整的文档。-l chi_simeng的加号表示两种语言同时加载引擎会在识别时切换中英混排的合同、说明书用这个组合最稳。3. 图像预处理与识别精度调优让引擎少背锅3.1 用 OpenCV 做二值化与去噪Tesseract 对输入图像质量非常敏感直接拿手机拍的彩色照片去识别结果往往惨不忍睹。常见做法是先用 OpenCV 做一轮预处理灰度化、自适应二值化、去噪、纠偏。我一般会写一个预处理函数把图像转成黑白高对比度的样子再喂给 Tesseract。下面这段代码是处理发票扫描件的常用流程。import cv2 import numpy as np import pytesseract def preprocess_image(image_path): # 读取图像并转灰度 img cv2.imread(image_path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自适应二值化对光照不均的扫描件效果好 binary cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 10 ) # 中值滤波去椒盐噪声 denoised cv2.medianBlur(binary, 3) # 可选放大图像小字号文本放大后识别率提升明显 height, width denoised.shape if width 1000: denoised cv2.resize(denoised, (width*2, height*2), interpolationcv2.INTER_CUBIC) return denoised # 调用预处理并识别 processed preprocess_image(invoice.png) text pytesseract.image_to_string(processed, langchi_sim, config--psm 6) print(text)adaptiveThreshold的 blockSize 设 31 是经验值太小会保留噪声太大二值化不彻底。C值 10 表示从均值减去的常数控制阈值松紧。medianBlur的核大小 3 适合一般扫描噪声如果噪声严重可以加到 5但字会变糊。放大这一步对中文小字特别有用Tesseract 在字符高度低于 20 像素时识别率断崖式下跌放大到 30 像素以上再识别效果立竿见影。3.2 版面分析与 psm 模式选择不同版面的文档要用不同的 psm。我整理了一张对照表方便快速查。场景psm 值说明整页文档3全自动分页默认值单块文本6假设一个统一文本块单行文本7适合截图、标题单个词8单词级别单个字符10单字识别散落文本11稀疏文字无固定版式竖排中文5假设垂直排列文本竖排中文是个特殊场景Tesseract 对竖排的支持有限psm 5 是假设垂直排列但实际效果取决于语言包。如果遇到古籍竖排我一般会先把图像旋转 90 度变成横排再识别比硬用 psm 5 靠谱。# 竖排文本先旋转再识别 img cv2.imread(vertical.png) rotated cv2.rotate(img, cv2.ROTATE_90_CLOCKWISE) text pytesseract.image_to_string(rotated, langchi_sim, config--psm 6)旋转方向要根据实际文字方向定顺时针还是逆时针得试一次。这个技巧在处理某些表格的竖排表头时也管用。4. 避坑与常见问题排查那些让我加班到凌晨的坑4.1 中文识别乱码或输出空现象识别结果全是问号、方块或者直接返回空字符串。原因通常是语言包没装对或者-l参数写错。chi_sim写成chi_sm、chinese都会导致引擎找不到语言包但 Tesseract 不一定报错而是静默返回空。解决先用tesseract --list-langs确认语言代码再检查 tessdata 目录下有没有对应的.traineddata文件。Windows 上还要注意环境变量TESSDATA_PREFIX是否指向了正确的 tessdata 目录指向错了引擎会去默认路径找找不到就空转。4.2 识别速度慢到无法接受现象一张 A4 扫描件识别要十几秒甚至更久。原因可能是图像分辨率过高Tesseract 对超大图会做缩放但缩放本身耗时。另外 LSTM 引擎在 CPU 上跑确实不快。解决把图像长边控制在 2000 像素以内超过的先缩小。如果批量处理用多进程池并行每个进程独立调用 Tesseract。我一般用concurrent.futures.ProcessPoolExecutor4 核机器上速度能翻三倍多。from concurrent.futures import ProcessPoolExecutor import pytesseract import cv2 def ocr_one(path): img cv2.imread(path, cv2.IMREAD_GRAYSCALE) return pytesseract.image_to_string(img, langchi_sim) if __name__ __main__: files [a.png, b.png, c.png, d.png] with ProcessPoolExecutor(max_workers4) as executor: results list(executor.map(ocr_one, files)) for r in results: print(r[:50])max_workers设成 CPU 核心数就行设太大反而因为进程切换开销变慢。注意 Windows 下多进程要放在if __name__ __main__里否则会无限递归创建进程。4.3 表格线干扰导致文字被切碎现象表格里的文字识别出来缺胳膊少腿或者把表格线识别成字符。原因Tesseract 把表格线当成了文本结构的一部分。解决预处理阶段用形态学操作去掉横竖线。思路是先检测长直线再用修复算法把线覆盖的区域填成背景色。import cv2 import numpy as np def remove_table_lines(binary_img): # 检测横线 horizontal cv2.morphologyEx( binary_img, cv2.MORPH_OPEN, cv2.getStructuringElement(cv2.MORPH_RECT, (40, 1)) ) # 检测竖线 vertical cv2.morphologyEx( binary_img, cv2.MORPH_OPEN, cv2.getStructuringElement(cv2.MORPH_RECT, (1, 40)) ) # 从原图减去线条 lines cv2.add(horizontal, vertical) cleaned cv2.subtract(binary_img, lines) return cleaned结构元素的大小 40 是经验值取决于表格线的最小长度。如果表格线较短调小这个值。减法操作后文字可能会有断裂可以再做一次闭运算把笔画连上。4.4 中英文混排时英文识别率下降现象纯中文识别没问题一旦中英混排英文单词错误率飙升。原因-l chi_simeng加载两个语言模型时引擎会在字符级别做语言判断中文模型对英文字母的区分度不如纯英文模型。解决如果英文占比高把eng放在前面-l engchi_sim让引擎优先用英文模型判断。另外可以尝试--oem 1强制 LSTM混合模型在 LSTM 下表现更稳。4.5 训练数据与自定义字体现象某种特殊字体识别率极低比如某些艺术字、手写体。原因Tesseract 自带的语言包基于常见印刷体训练对特殊字体泛化能力有限。解决用tesstrain工具做微调训练准备至少 100 张标注好的样本图跑一遍 fine-tune。这个过程比较重但一次训练后同类字体都能受益。如果只是少量特殊字也可以考虑用--user-words和--user-patterns加载自定义词典把常见错误词强制纠正。5. 批量处理与结果后处理把识别率再往上推几个点批量场景下光靠 Tesseract 裸跑不够后处理能再拉回不少准确率。我一般会做三件事正则清洗、词典纠错、置信度过滤。Tesseract 的image_to_data接口会返回每个词的置信度低于阈值的词可以标记出来人工复核而不是直接扔掉。import pytesseract from pytesseract import Output import re def ocr_with_confidence(image_path): img cv2.imread(image_path) data pytesseract.image_to_data( img, langchi_sim, config--psm 6, output_typeOutput.DICT ) results [] for i, text in enumerate(data[text]): conf int(data[conf][i]) if conf 60 and text.strip(): results.append((text, conf)) return results # 正则清洗去掉多余空格和特殊符号 def clean_text(text): text re.sub(r\s, , text) text re.sub(r[^\u4e00-\u9fa5a-zA-Z0-9。、], , text) return textconf 60是经验阈值低于这个值的词大概率有问题。image_to_data返回的字典里还有坐标信息可以用来做版面还原比如按位置把词拼回表格。正则里的\u4e00-\u9fa5是中文 Unicode 范围保留中文、英文、数字和常用标点其他符号一律清掉能去掉不少识别噪声。词典纠错可以用symspellpy或者自己维护一个映射表。比如发票识别里“壹佰”被识别成“壹百”是高频错误直接加一条替换规则就行。我习惯把这类规则写在一个 YAML 文件里每次识别完过一遍维护成本低效果立竿见影。还有一个技巧是图像旋转校正。扫描件经常有轻微倾斜Tesseract 对倾斜超过 5 度的文本识别率明显下降。用cv2.minAreaRect找到文本区域的最小外接矩形算出倾斜角再旋转校正。这个步骤在预处理阶段做比识别后纠错省事得多。从那以后我每次拿到新的扫描件批次都强制先跑一遍预处理加置信度抽检确认前 20 张的识别率达标了再批量跑全量。这个习惯帮我省下了大量返工时间。希望帮到你。本文还有配套的精品资源点击获取