概述

这个仓库包含了可以被Tesseract.js使用的各种.traineddata文件集。这包括Tesseract.js默认使用的文件，以及其他替代版本。以下将解释这些文件的内容以及如何在Tesseract.js中使用它们。

语言数据

以下是每组文件的描述。同时列出了来源，尽管此处使用的版本可能不反映链接仓库中文件的最新版本。

4.0.0_best_int - "Tessdata Best"的整数化版本
- OEM: 仅LSTM
- Tesseract.js默认使用：是
  - 当OEM设置为仅LSTM（默认设置）时，这是默认使用的数据。
- 发布到NPM包：是
4.0.0 - "Tessdata"
- OEM: LSTM + 传统引擎
  - 包含LSTM引擎的"Tessdata Best"整数化版本，以及传统引擎的数据。
- Tesseract.js默认使用：是
  - 当OEM设置为传统引擎或带传统引擎回退的LSTM时，这是默认使用的数据。
- 发布到NPM包：是
- 来源：https://github.com/tesseract-ocr/tessdata
4.0.0-fast - "Tessdata Fast"
- OEM: 仅LSTM
- Tesseract.js默认使用：否
- 发布到NPM包：否
- 来源：https://github.com/tesseract-ocr/tessdata_fast
4.0.0_best - "Tessdata Best"
- OEM: 仅LSTM
- Tesseract.js默认使用：否
  - 这些数据可能比整数化版本大得多，可能导致更长的运行时间。虽然结果可能更准确，但差异通常从可忽略到微小不等。
  - 在使用这些数据之前，开发者应该检查文件大小并进行准确性/性能测试，以确认实施是否值得。
- 发布到NPM包：否
- 来源：https://github.com/tesseract-ocr/tessdata_best
3.0.2 - Tesseract v3的历史Tessdata文件
- OEM: 仅传统引擎
- Tesseract.js默认使用：否
  - 这些是旧文件，可能会在某个时候从此仓库中移除。
- 发布到NPM包：否

NPM包

每种语言的4.0.0和4.0.0_best_int文件都发布在特定语言的NPM包中。每种语言都有自己的包，因为将它们合并到一个包中会导致下载量巨大。包名为@tesseract.js-data/{lang}。例如，英语包名为@tesseract.js-data/eng。

在Tesseract.js中使用语言数据

有关如何手动设置langPath的说明，请参阅Tesseract.js文档。以下是有关在此仓库中可以找到文件的位置的详细信息。

CDN

这些文件可以通过任何自动镜像NPM的CDN访问。以下是常见的例子。

JSDelivr（默认）

默认情况下，Tesseract.js使用JSDelivr CDN。以下是JSDelivr上默认英语数据的链接。 https://cdn.jsdelivr.net/npm/@tesseract.js-data/eng@1.0.0/4.0.0_best_int/eng.traineddata.gz

Unpkg

Unpkg是另一个镜像NPM的CDN。在大多数地区，unpkg的可靠性似乎略低于JSDelivr（尽管仍然可用）。然而，有用户报告说在中国的某些地区可以访问unpkg，而JSDelivr被封锁，所以出于这个原因可以使用unpkg。关于这个问题的讨论以及从JSDelivr切换到unpkg的示例代码可以在这里找到。

以下是unpkg上默认英语数据的链接。 https://unpkg.com/@tesseract.js-data/eng/4.0.0_best_int/eng.traineddata.gz

本地副本

用户可以自由使用这些文件的本地副本，而不是依赖远程CDN。对于Node.js，你可以简单地将相关的NPM包添加为依赖项，或下载文件并将其作为项目资源包含进来。对于浏览器版本，只需下载相关文件并在你的网站上自行托管。

GitHub Pages站点（已弃用）

tessdata.projectnaptha.com站点已弃用，不再更新。不要在新代码中指向此站点。

在Tesseract.js的旧版本中，默认的langPath位置是一个简单的GitHub pages站点，托管这个仓库。然而，除了用户报告GitHub pages不可靠外，这个仓库现在已经超过了GitHub pages的大小限制。因此，该站点不再更新。为了避免破坏旧代码，该站点保持原样，但鼓励开发者进行切换。