摘要：Tesseract 是一个开源的光学字符识别（OCR）引擎，最初由 HP 在 1985 年至 1995 年间开发，后来被 Google 收购并开源。Tesseract 支持多种语言的文本识别，能够识别图片中的文字，并将其转换为可编辑和可搜索的数据格式。它适用于
Tesseract 是一个开源的光学字符识别（OCR）引擎，最初由 HP 在 1985 年至 1995 年间开发，后来被 Google 收购并开源。Tesseract 支持多种语言的文本识别，能够识别图片中的文字，并将其转换为可编辑和可搜索的数据格式。它适用于多种应用场景，包括文档扫描、图像处理、数字存档等。
Tesseract 的最新版本显著提高了识别准确率，支持的文件格式包括 TIFF、JPEG、PNG 等常见图片格式。此外，Tesseract 还提供了一个命令行工具，允许用户通过简单的命令行输入来执行 OCR 任务。对于开发者而言，Tesseract 提供了多种编程语言的 API 接口，如 C++、Python、Java 等，使得集成 OCR 功能到各种应用程序中变得更为容易。
除了基本的 OCR 功能外，Tesseract 还支持语言模型和训练工具，允许用户根据特定需求训练自定义模型，以提高某些特定类型或格式文本的识别准确率。这些特性使得 Tesseract 成为了一个强大而灵活的 OCR 工具，广泛应用于个人和企业的文本数字化处理中。
GitHub地址：https://github.com/tesseract-ocr/tesseract
官方文档地址：https://tesseract-ocr.github.io
安装的时候，记得选上中文语言包：
输入
tesseract -v查看Tesseract是否安装成功
设置环境变量：
输入Tesseract的安装地址：
注意安装路径最好不要包含中文，由于C盘空间还比较充足，我就装在默认位置了。
再次验证安装是否完成：
tesseract -v安装成功完成。
基本文本识别最简单的命令是将图片中的文本识别并输出到标准输出（屏幕）：
tesseract D:\test2.png stdout默认识别的是英文的，先拿一个英文的图片试试：
图片文字识别的效果
效果还是很ok的。
再试试一个中文的图片：
默认是无法识别中文的，这时候需要指定语言才行。
指定一种语言识别如果图片中的文字不是英文，你需要指定相应的语言。Tesseract 支持多种语言，可以通过以下命令查看支持的语言：
tesseract --list-langs会出现你已经下载了语言包的语言。
指定语言的命令如下（例如，识别中文）：
tesseract D:\test.png stdout -l chi_sim这里的-l chi_sim表示使用简体中文语言模型。效果也很不错。
指定多种语言识别有时候我们需要同时识别多种语言，以下面这张图片为例：
在命令行中添加-l LANG[+LANG]可以使用多种语言进行识别：
tesseract D:\test3.png stdout -l eng+chi_sim效果也还行。但是会发现识别的中文很多地方都有空格。
将中文改为主要识别语言：
tesseract D:\test3.png stdout -l chi_sim+eng可以发现识别的空格少了很多。
保存识别文本到文件tesseract D:\test2.png D:\output.txt不使用quiet模式与使用quiet模式的对比：
这将创建一个包含图像和单独可搜索文本层的PDF，其中包含识别出的文本：
tesseract D:\test2.png D:\output -l eng pdf实现效果：
在命令末尾添加hocr以使用‘hocr’配置文件，获取HOCR输出：
tesseract D:\test2.png - -l eng hocr这样不够直观，保存在一个html文件中，然后再打开看看：
tesseract D:\test2.png D:\test2.html -l eng hocr把生成的文件后缀改为.html，用浏览器打开，效果如下所示：
以这张图片为例：
-psm 3 - 全自动页面分割，但无方向和脚本检测。（默认）
以这张图片为例：
-psm 6 - 假定文本为一个整体均匀的块。
以这张图片为例：
使用 -c preserve_interword_spaces=1 来保留空格
tesseract D:\test5.png - --psm 6 -c preserve_interword_spaces=1实现效果如下所示：
使用pdftotext保持文本输出的布局
tesseract D:\test5.png D:\test5 -l eng –psm 11 pdf实现的效果：
现在图片文字识别已经有多种方式可以实现，也可以通过云服务商的文字识别服务，缺点就是需要网络，数量多了需要收费，优点就是识别准确率比较高。使用Tesseract与PaddleOCR这种方式的好处就是离线可用，速度也挺快的。还有一种目前还没试过的方式，就是使用多模态的大语言模型，缺点可能就是如果使用大模型服务提供商会比较耗费token，自己本地用ollama又比较吃配置相对于Tesseract与PaddleOCR而言，还有就是多模态大语言模型可能自己会出现一些别的内容。
之前写过几篇关于PaddleOCR的文章，感兴趣也可以阅读：
1、如何自己动手实现一个图片解答小助手
2、C#使用PaddleOCR进行图片文字识别
来源：opendotnet