Tesseract — 图片转文字(OCR)

Tesseract contributors

Tesseract 是开源 OCR 引擎,通过命令行或 API 在你自己的电脑上运行;适合需要离线从图片中提取文字的技术用户。

为什么适合

图片转文字(OCR)

电脑

前往 tesseract-ocr.github.io
使用须知 (1)

需要命令行配置及语言文件,没有内置图形界面。

使用须知
使用须知电脑
免费输出是
无需注册是
无水印—
离线可用是
批量处理—
内容语言—

— 未核实的使用条件. 已核查官方文档,尚未实际操作测试应用。 仅匹配有来源证明的内容语言支持,不代表界面语言。

来源与核查日期 (1)
  • tesseract-ocr.github.io/tessdoc/
产品方反馈与更正

产品方反馈与更正

如果你代表该产品,请提交带来源的更正或更新。发布前会经过编辑审核。

编辑选择指南

最近核查:

适合谁?

  • 在脚本或批处理中自动化 OCR 的开发者和熟悉技术的用户。
  • 想离线从印刷体图片中提取文字、不想注册账号也不想上传文件的人。

开始使用

  • 用包管理器安装 Tesseract(macOS 上用 Homebrew 或 MacPorts,Linux 用发行版软件包,Windows 用文档中列出的安装程序),并添加你需要的语言数据。
  • 准备图片:尽量达到至少 300 dpi,把倾斜的页面摆正,只保留一小圈边距。
  • 按用法页面从命令行运行;如果版面让它出错,可换用其他页面分割模式(默认是 3),并检查输出文字。

选择要点

  • 这里没有图形按钮界面;想要按钮而不是命令,请选带图形界面的桌面应用。
  • Tesseract 不能直接读取 PDF 文件;按文档建议,先把页面转成图片,或使用 OCRmyPDF。
  • 官方语言数据涵盖 100 多种语言,分布在三个仓库;决定下载哪些模型文件前请先阅读文档。

限制

  • 倾斜、有噪点或光照不均的扫描件会降低准确率,文档也说明某些噪点在二值化阶段无法去除。
  • 该工具面向印刷体文字;本指南没有找到关于手写识别的说法。
  • 安装需要使用命令;这里没有测试准确率。

常见问题

Tesseract 可以识别哪些语言?

官方文档提到涵盖 100 多种语言和 35 种以上文字系统的语言模型数据;请安装你所需语言的数据。

能读取 PDF 吗?

不能直接读取。输入格式页面列出 PNG、JPEG、TIFF、WebP 和 BMP 等图片格式,并建议先转换 PDF 或使用 OCRmyPDF。

多大分辨率效果最好?

质量指南称它在 300 dpi 或更高时效果最好。

官方来源 (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