Tesseract — Изображение в текст (OCR)

Tesseract contributors

Tesseract — открытый OCR-движок, который вы запускаете на своем компьютере из командной строки или через API; он подходит технически подготовленным пользователям, которым нужно извлекать текст из изображений офлайн.

Почему подходит

Изображение в текст (OCR)

Компьютер

Перейти на tesseract-ocr.github.io
Что нужно знать (1)

Нужны командная строка и языковые файлы; встроенного графического интерфейса нет.

Что нужно знать
Что нужно знатьКомпьютер
Бесплатный результатДа
Без регистрацииДа
Без водяного знака—
Без интернетаДа
Пакетная обработка—
Язык контента—

— Непроверенные условия. Изучена официальная документация. Практическое тестирование не проводилось. Учитывает только подтвержденные языки контента, а не язык интерфейса.

Источники и дата проверки (1)
  • tesseract-ocr.github.io/tessdoc/
Обратная связь и исправления от создателя продукта

Обратная связь и исправления от создателя продукта

Если вы представляете продукт, отправьте исправление или обновление с источником. Публикация проходит редакционную проверку.

Редакционный гид по выбору

Последняя проверка:

Кому подойдёт?

  • Разработчикам и технически уверенным пользователям, которые автоматизируют OCR в скриптах или пакетной обработке.
  • Тем, кто хочет получать текст из печатных изображений офлайн, без аккаунта и загрузки файлов.

Начало работы

  • Установите Tesseract через менеджер пакетов (Homebrew или MacPorts в macOS, пакеты дистрибутива в Linux, установщик для Windows, указанный в документации) и добавьте нужные языковые данные.
  • Подготовьте изображение: стремитесь к разрешению не ниже 300 dpi, выровняйте наклонные страницы и оставьте лишь небольшое поле.
  • Запустите из командной строки по странице использования; если макет сбивает распознавание, попробуйте другой режим сегментации страницы (по умолчанию 3) и проверьте выходной текст.

Что учесть

  • Здесь нет интерфейса с кнопками; если вам нужны кнопки вместо команд, выберите настольное приложение с графическим интерфейсом.
  • Tesseract не читает PDF напрямую; сначала преобразуйте страницы в изображения или используйте OCRmyPDF, как советует документация.
  • Официальные языковые данные охватывают более 100 языков и хранятся в трех репозиториях; прежде чем решать, какие файлы моделей скачать, прочитайте документацию.

Ограничения

  • Наклонные, шумные или неравномерно освещенные сканы снижают точность, а по документации часть шума нельзя убрать при бинаризации.
  • Инструмент рассчитан на печатный текст; утверждений о распознавании рукописи в этом руководстве не найдено.
  • Установка требует команд; точность здесь не проверялась.

Частые вопросы

Какие языки поддерживаются?

Официальная документация упоминает данные языковых моделей для более чем 100 языков и более чем 35 систем письма; установите данные нужного вам языка.

Может ли он читать PDF?

Напрямую нет. Страница входных форматов перечисляет форматы изображений вроде PNG, JPEG, TIFF, WebP и BMP и советует конвертировать PDF или использовать OCRmyPDF.

Какое разрешение лучше всего?

Руководство по качеству сообщает, что лучше всего он работает при 300 dpi и выше.

Официальные источники (4)
tesseract-ocr.github.io/tessdoc/tesseract-ocr.github.io/tessdoc/Installation.htmltesseract-ocr.github.io/tessdoc/ImproveQuality.htmltesseract-ocr.github.io/tessdoc/InputFormats.html