Tesseract 是一款高精度的开源 OCR（Optical Character Recognition，光学字符识别）引擎，能够将图片或扫描文档中的文本内容提取为可编辑文字数据。 该引擎支持多语言识别（包括中文、英文、日文等），可通过命令行使用，也可在 Python、C++、Java 等语言中以 API 形式集成。

• 官方文档： https://tesseract-ocr.github.io/tessdoc/#introduction
• 源码仓库： https://github.com/tesseract-ocr/tesseract

---

📦 一、安装与环境配置

✅ 官方安装包（推荐方式）

下载地址： 👉 https://github.com/tesseract-ocr/tesseract/releases

下载安装包（.exe）后运行即可快速完成安装。支持自定义路径及免安装模式。

安装过程中可选择所需语言包：

🧭 配置系统环境变量

1. 记录安装目录，例如：

   D:\Developer Tools\TesseractOcr

2. 在系统「环境变量」中，将上述路径加入 Path。

完成后，在命令行验证安装：

tesseract --version

若返回如下信息，则说明安装成功：

tesseract v5.5.0.20241111
leptonica-1.85.0
Found libcurl/8.11.0 ...

⚠️ 若命令无效，请尝试重新启动计算机。

---

💡 二、使用 Chocolatey 一键安装（Windows）

如果你偏好命令行环境，可使用 Chocolatey 包管理器快速部署：

1️⃣ 安装 Chocolatey

以管理员模式运行 PowerShell，执行以下命令：

Set-ExecutionPolicy Bypass -Scope Process -Force; `
[System.Net.ServicePointManager]::SecurityProtocol = `
[System.Net.SecurityProtocolType]::Tls12; `
iex ((New-Object Net.WebClient).DownloadString('https://community.chocolatey.org/install.ps1'))

2️⃣ 安装 Tesseract

choco install tesseract

3️⃣ 命令行识别示例

tesseract "input.jpg" "output" -l eng

• input.jpg：输入图像文件
• output：输出文本文件名（无需扩展名）
• -l eng：使用英文语言模型

识别结果将保存为 output.txt。

---

🧱 三、源码编译（开发者向）

⚠️ 一般用户无需自行编译，建议直接使用官方安装包。

1️⃣ 构建依赖

• Visual Studio Build Tools 或 MinGW-w64
• CMake ≥ 3.20

2️⃣ 生成构建文件

cd your-tesseract-folder
mkdir build && cd build
cmake ..

3️⃣ 编译

cmake --build . --config Release

构建完成后，build/bin 目录下会生成 tesseract.exe。

---

🌍 四、语言包（tessdata）配置

Tesseract 默认仅包含英文识别模型。若需支持中文等其他语言，请手动下载对应的 .traineddata 模型文件。

下载地址： 👉 https://github.com/tesseract-ocr/tessdata

示例：添加简体中文支持

1. 下载 chi_sim.traineddata

2. 放入以下目录：

   C:\Program Files\Tesseract-OCR\tessdata\

3. 命令行测试：

   tesseract input.jpg output -l chi_sim

---

🧩 五、Python 集成（pytesseract）

在完成 Tesseract 安装后，推荐通过 pytesseract 模块在 Python 中调用 OCR 功能。

1️⃣ 安装依赖

pip install pytesseract pillow

• pytesseract：Tesseract 的 Python 封装
• Pillow：图像处理与加载库

确认命令行中可执行 tesseract --version。

---

2️⃣ 基础英文识别

import pytesseract
from PIL import Image

image = Image.open("example.jpg")
text = pytesseract.image_to_string(image, lang="eng")
print(text)

---

3️⃣ 中文及中英文混合识别

import pytesseract
from PIL import Image

image = Image.open("chinese_text.png")
text = pytesseract.image_to_string(image, lang="chi_sim+eng")
print(text)

请确保 chi_sim.traineddata 文件已放置于 tessdata 目录。

---

4️⃣ 指定 Tesseract 可执行路径（可选）

若未设置系统 PATH，可在代码中显式指定：

pytesseract.pytesseract.tesseract_cmd = r'D:\Developer Tools\TesseractOcr\tesseract.exe'

---

5️⃣ OCR 识别与结果输出

import pytesseract
from PIL import Image

image = Image.open("test.png")
text = pytesseract.image_to_string(image, lang="chi_sim+eng")

with open("output.txt", "w", encoding="utf-8") as f:
    f.write(text)

print("识别结果：\n", text)

6️⃣ 效果示例

---

📄 六、从 PDF 提取文字（合同识别场景）

场景说明

用户上传多页 PDF（如合同、扫描件），需自动识别并输出 .txt 文本文件。 此场景通常需先将 PDF 转换为图片，再执行 OCR。

---

方案一：使用 Poppler（推荐）

1️⃣ 下载 Poppler for Windows

GitHub 地址： 👉 https://github.com/oschwartz10612/poppler-windows/releases/

下载预编译版本（如 poppler-24.08.0_x64.7z）并解压到：

D:\Developer Tools\poppler-24.08.0

2️⃣ 配置 PATH

将以下路径添加至系统环境变量：

D:\Developer Tools\poppler-24.08.0\Library\bin

3️⃣ 验证安装

pdfinfo -h
pdftoppm -h

若输出 usage 信息，则配置成功。

---

方案二：免安装 Poppler（使用 PyMuPDF）

无需外部依赖，性能更优：

pip install pymupdf

---

示例代码（支持中文 PDF）

import os
import pytesseract
from pdf2image import convert_from_path

TESSERACT_CMD = r'D:\Developer Tools\TesseractOcr\tesseract.exe'
POPPLER_PATH = r'D:\Developer Tools\poppler-25.07.0\Library\bin'

pytesseract.pytesseract.tesseract_cmd = TESSERACT_CMD


def pdf_to_text(pdf_path, output_txt_path, lang='chi_sim', dpi=300):
    if not os.path.exists(pdf_path):
        raise FileNotFoundError(f"PDF 文件不存在: {pdf_path}")

    print("📄 正在将 PDF 转换为图像...")
    images = convert_from_path(pdf_path, dpi=dpi, poppler_path=POPPLER_PATH)

    full_text = ""
    for page_num, img in enumerate(images, start=1):
        print(f"🔍 正在识别第 {page_num} 页...")
        text = pytesseract.image_to_string(
            img,
            lang=lang,
            config='--psm 6 --oem 3 -c preserve_interword_spaces=1'
        )
        full_text += f"\n=== 第{page_num}页 ===\n{text.strip()}\n"

    with open(output_txt_path, 'w', encoding='utf-8') as f:
        f.write(full_text)

    print(f"✅ OCR 完成！结果保存至: {os.path.abspath(output_txt_path)}")


if __name__ == "__main__":
    pdf_to_text(
        pdf_path=r"xxxx.pdf",
        output_txt_path="识别结果.txt",
        lang='chi_sim',
        dpi=300
    )

若不使用 Poppler，可改用 fitz（PyMuPDF）实现同样功能，兼容加密 PDF 与文本提取。

---

🧪 七、常见问题排查

问题	解决方案
TesseractNotFoundError	未安装 Tesseract 或路径未配置 → 在代码中设置 tesseract_cmd
输出为空或乱码	缺少语言包 → 下载相应 .traineddata 文件放入 tessdata
中文识别错误或偏移	使用简体中文模型 chi_sim，或调整 DPI（建议 200–300）
图片模糊导致识别率低	使用 OpenCV 或 Pillow 进行图像预处理（如二值化、锐化、去噪）

---

✅ 八、总结与最佳实践

使用场景	推荐方案
快速命令行文字识别	✅ 直接使用官方安装包或 Chocolatey
Python 自动化处理	✅ 使用 pytesseract + poppler
PDF 合同或多页扫描件 OCR	✅ 结合 pdf2image 或 fitz 模块
自行编译或二次开发	⚙️ 仅限高级用户，建议使用 CMake 构建

---

结论： 对于绝大多数 Windows 用户，推荐直接从 👉 Tesseract Releases 下载稳定版安装包，结合 pytesseract 及 Poppler 即可实现高质量中英文 OCR 识别，无需手动编译源码。

---

贡献者

• flycodeu

版权所有

版权归属：flycodeu

许可证：署名 4.0 国际 (CC-BY-4.0)