Tesseract OCR：7万星的开源文字识别引擎

做 OCR 相关工作的，基本都绕不开 Tesseract。这个项目在 GitHub 上拿了 7.4 万 Star，是目前最主流的开源文字识别引擎。它能识别 100 多种语言，支持 PNG、JPEG、TIFF 等常见图片格式，输出格式覆盖纯文本、HTML、PDF、TSV 等。

说白了，你给它一张带文字的图片，它能把文字提取出来。

历史比很多公司都长

Tesseract 最早是惠普实验室在 1985 年开始做的，一直到 1994 年基本完成。2005 年惠普把它开源，2006 年到 2017 年由 Google 接手维护。之后社区自己接管，当前稳定版本是 5.0。

一个 OCR 引擎能活将近 40 年，本质上就是因为它确实能解决问题。

两种识别引擎

Tesseract 4 引入了基于 LSTM 神经网络的识别引擎，主打行级别识别，速度和准确率都比老版本好。如果有特殊需求，也可以通过 --oem 0 参数切回 Tesseract 3 的传统字符模式匹配引擎。

大多数场景下，LSTM 模式够用。另外它还支持训练自定义模型，如果你要识别的语言不在自带的 100 多种里面，可以自己准备训练数据跑一轮。

用法

装好之后命令行一行就能跑：

tesseract imagename outputbase [-l lang]

指定图片文件名、输出文件名、语言就行。批量处理也很方便，写个循环遍历目录下的图片文件即可。

它也提供了 C 和 C++ 的 API，可以集成到自己的应用里。其他语言的绑定在官方文档的 AddOns 页面有列出，Java、Python、Node.js 等主流语言都有现成的封装。

实际效果

Tesseract 对扫描文档、印刷体文字的识别效果不错。手写体、复杂排版、低质量图片的表现会差一些，这是这类引擎的共同短板。官方文档里有一节专门讲怎么提高图片质量来改善识别结果，值得看看。

输出格式方面，纯文本之外还支持 hOCR（HTML 格式的识别结果）、带文字层的 PDF、TSV 等。如果后续要对接搜索引擎或者数据处理管道，格式选择很灵活。

另外它本身不带 GUI，纯命令行工具。需要图形界面的可以找社区做的第三方项目。

适合谁

如果你在做文档数字化、信息提取，或者给 AI 项目准备训练数据，Tesseract 是个可靠的选择。7.4 万 Star 积累到现在，稳定性和兼容性经过了长时间验证。Apache 2.0 协议，商用也没有限制。

积累到现在，稳定性和兼容性经过了长时间验证。Apache 2.0 协议，商用也没有限制。