Tesseract OCR

简介

本软件包包含一个OCR引擎 - libtesseract和一个命令行程序 - tesseract。

Tesseract 4新增了一个基于神经网络（LSTM）的OCR引擎，专注于行识别，但仍然支持Tesseract 3的传统Tesseract OCR引擎，后者通过识别字符模式工作。通过使用传统OCR引擎模式（--oem 0）可以与Tesseract 3兼容。它还需要支持传统引擎的训练数据文件，例如来自tessdata仓库的文件。

Stefan Weil是当前的首席开发者。Ray Smith在2018年之前是首席开发者。维护者是Zdenko Podobny。贡献者列表请参见AUTHORS 和GitHub的贡献者日志。

Tesseract支持unicode（UTF-8），并且可以"开箱即用"地识别超过100种语言。

Tesseract支持**多种图像格式**，包括PNG、JPEG和TIFF。

Tesseract支持多种输出格式：纯文本、hOCR（HTML）、PDF、仅不可见文本的PDF、TSV、ALTO和PAGE。

请注意，在许多情况下，为了获得更好的OCR结果，你需要**提高图像质量**，然后再提供给Tesseract处理。

本项目不包含GUI应用程序。如果你需要GUI，请参阅第三方文档。

Tesseract可以被训练以识别其他语言。更多信息请参见Tesseract训练。

简史

Tesseract最初于1985年至1994年间由惠普实验室在英国布里斯托和美国科罗拉多州格里利的惠普公司开发，1996年进行了一些修改以移植到Windows系统，1998年进行了部分C++化。2005年，惠普将Tesseract开源。从2006年到2018年11月，它由谷歌开发。

5.0版本是当前的稳定版本，始于2021年11月30日发布的5.0.0。较新的次要版本和错误修复版本可从GitHub获取。

最新源代码可在GitHub的main分支上找到。未解决的问题可在问题跟踪器中找到，以及规划文档。

有关发布的更多详细信息，请参阅**发布说明和更新日志**。

安装Tesseract

你可以通过预构建的二进制包安装Tesseract或从源代码构建。

在从源代码构建Tesseract之前，请检查你的系统是否有支持的编译器之一。

运行Tesseract

基本的**命令行用法**：

tesseract 图像名称 输出基础名 [-l 语言] [--oem OCR引擎模式] [--psm 页面分割模式] [配置文件...]

有关各种命令行选项的更多信息，请使用tesseract --help或man tesseract。

示例可以在文档中找到。

开发者须知

开发者可以使用libtesseract C或C++ API来构建他们自己的应用程序。如果你需要其他编程语言的libtesseract绑定，请查看附加组件文档中的包装器部分。

由doxygen从源代码生成的Tesseract文档可以在tesseract-ocr.github.io上找到。

支持

在提交问题之前，请查看**本仓库的指南**。

如需支持，首先阅读文档，特别是常见问题，看看你的问题是否已经得到解答。如果没有，搜索Tesseract用户论坛、Tesseract开发者论坛和过去的问题，如果仍然找不到所需信息，可以在邮件列表中寻求支持。

邮件列表：

tesseract-ocr - 针对Tesseract用户。
tesseract-dev - 针对Tesseract开发者。

请仅为错误报告问题，而不是用于提问。

许可证

本仓库中的代码根据Apache License 2.0版本（"许可证"）授权；
除非符合许可证，否则你不得使用此文件。
你可以在以下位置获得许可证副本：

   http://www.apache.org/licenses/LICENSE-2.0

除非适用法律要求或书面同意，根据许可证分发的软件是基于"按原样"分发的，
不附带任何明示或暗示的担保或条件。
请参阅许可证以了解许可证下的特定语言和限制。

注意：此软件依赖于可能根据不同开源许可证授权的其他软件包。

Tesseract使用Leptonica库，该库基本上使用BSD 2-clause许可证。