简介面向需要在本地部署文字识别能力的开发者与办公自动化用户这份资源提供Tesseract-OCR的完整安装包及中文语言包可用于扫描文档、图片文字提取、批量数据录入等场景也适合研究OCR训练流程的技术人员。压缩包共724个文件、约36.01MB以C/C源码h、cpp为主体另含Java、XML配置、Shell脚本及am、traineddata等语言与训练数据并附命令行工具手册、示例图片和训练辅助文件兼顾直接安装与二次开发。已有289人学习下载。读者可从中获得可运行的开源OCR环境、中文识别数据以及字符集提取、聚类、训练与词典转换等配套脚本和说明便于把OCR能力集成进自有程序或按业务语料调整识别模型对排查安装、语言包配置和识别效果问题也有参考价值。1. 为什么命令行里还留着 Tesseract一个离线 OCR 的落点扫描件要转文字很多人的第一反应是调云端接口。但只要碰上内网环境、票据批量归档、或者每天上万张图不想按次计费的场景Tesseract-OCR 这个老牌开源光学字符识别引擎就会被重新翻出来。它不依赖网络装完就能离线跑配上中文语言包 chi_sim 足以应付大部分印刷体中文。这套完整安装包加语言包的组合解决的就是“拿到一台干净机器半小时内把 OCR 跑起来”的问题。它更像一个能被任意语言调用的命令行插件而不是带界面的软件所以真正的工作量在参数和预处理上。适合做文档数字化的后端开发、做票据证照识别的算法同学以及要把识别环节塞进本地流水线的运维。下面按“装什么、怎么调、在哪翻车”的顺序拆。2. 安装包与语言包怎么选版本、目录结构与 chi_sim 的落地位置很多人卡在第一步不是因为不会装而是装完了--list-langs里没有 chi_sim或者有 chi_sim 但识别出来全是问号和空格。这一章把安装包里到底装了什么、语言包该放哪儿、环境变量该指向谁讲清楚后面调参才有意义。2.1 版本选型4.x 与 5.x 的实际差别Tesseract 从 4.0 开始引入 LSTM 识别引擎5.x 进一步把 LSTM 做成默认且唯一的默认路径。对中文来说这个差别很实在3.x 时代用的还是基于特征模板的老引擎中文识别基本处于“能出字但不能用”的水平4.x 之后用 chi_sim 的 LSTM 模型规整的印刷体可以做到 90% 以上的字准确率。如果你拿到的安装包是 5.x--oem的可用取值如下0 是仅 legacy 引擎1 是仅 LSTM2 是两者混合3 是默认按可用性自动选。5.x 里 legacy 引擎在编译时可能已经被关掉这时候传--oem 0会直接报错退出这个报错很多人第一次见会以为安装包坏了。模型文件本身也分三档选错了不是不能跑是跑得慢或者不准模型类型体积量级速度准确率适用场景tessdata_fast小最快一般实时预览、大批量粗筛tessdata标准中中等较好绝大多数生产场景tessdata_best大慢 35 倍最好归档级数字化、离线批处理我一般会给中文场景配标准版 chi_sim再单独留一份 best 版做回溯校验。fast 版中文在小字号上掉点很明显不建议直接上生产。2.2 目录结构与 TESSDATA_PREFIX 到底指向谁安装完成后核心目录只有一个tessdata里面平铺着一堆*.traineddata文件每个文件就是一种语言或一份配置。chi_sim.traineddata是简体中文chi_sim_vert.traineddata是竖排简体chi_tra是繁体eng是英文osd.traineddata负责文字方向和脚本检测——这个文件经常被漏掉结果就是带旋转的扫描件识别结果整段错位。TESSDATA_PREFIX是这块最容易翻车的地方。不同版本的语义不完全一致多数情况下它应该指向tessdata的父目录而部分构建里又允许直接指向tessdata目录本身。与其背结论不如让程序自己告诉你# --list-langs 会把实际搜索的语言包目录打印出来 tesseract --list-langs # 输出形如 # List of available languages in /usr/share/tesseract-ocr/5/tessdata/ (3): # chi_sim # chi_sim_vert # eng括号里的路径就是它真正在找的位置。把chi_sim.traineddata放进这个目录比折腾环境变量可靠得多。如果确实需要用自定义目录可以用--tessdata-dir显式指定优先级高于环境变量tesseract scan.png stdout -l chi_sim --tessdata-dir /data/ocr/tessdata注意--tessdata-dir指向的是tessdata目录本身不含末尾斜杠也不要再往下指一层。2.3 三个平台的落地步骤Linux 和 macOS 用包管理器最省事语言包会被自动放到正确位置# Debian / Ubuntu 系 sudo apt-get update sudo apt-get install -y tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-sim-vert # macOS brew install tesseract brew install tesseract-lang # 一次性装齐所有语言包体积偏大 # 验证 tesseract --version tesseract --list-langsWindows 走安装包的话安装向导里有一个“Additional language data”勾选项勾上之后会把一批语言包一起放进去如果安装包是精简版没带中文就手动把chi_sim.traineddata拷进安装目录下的tessdata。默认路径通常是C:\Program Files\Tesseract-OCR\tessdata注意这个目录在 Program Files 下普通用户权限写不进去需要管理员权限复制。一个常被忽略的细节从网页下载.traineddata文件时浏览器可能给它加上.txt后缀变成chi_sim.traineddata.txt。Tesseract 只认后缀严格匹配的文件多一个.txt就等于没装而且--list-langs里也不会出现 chi_sim很容易误判成语言包本身有问题。2.4 用一张图确认整条链路是通的装完别急着写代码先用命令行跑一张图把“引擎→语言包→输出”这条链路验一遍# 生成一张测试图有现成图片就跳过这步 # 识别-l 指定语言--psm 6 假定是一整块文本 tesseract test.png stdout -l chi_sim --psm 6能正常输出中文说明安装包、语言包、路径全对。这一步没跑通就去调 Python等于在错误的基线上排错血泪经验。3. 跑通第一条识别链路命令行参数与 Python 封装命令行能出字只是起点。生产里真正决定成败的是三个参数语言、版面切分模式psm、引擎模式oem。把它们理解成“告诉引擎这张图长什么样”比死记取值有用得多。3.1 --psm告诉引擎这张图的版面长什么样--psm取值 0 到 13最常用的就那么几个。默认值是 3全自动分页它在整页文档上表现尚可但在截图、票据、单行文字上经常把版面切得七零八落。psm含义典型用法3全自动分页无方向检测整页扫描件默认值4假定单列、字号可变单栏文章、说明书6假定单个统一文本块票据正文、截图段落7假定单行文本标题、表头、单行字段8假定单个词关键词提取11稀疏文本尽可能找更多字海报、带图排版、 scattered 文字13原始单行跳过内部处理已做过精细预处理的单行实际用法# 单行字段发票号、金额、姓名 tesseract field.png stdout -l chi_sim --psm 7 # 一段正文截图里的说明文字 tesseract block.png stdout -l chi_sim --psm 6 # 海报、菜单这类文字分散的图 tesseract poster.png stdout -l chi_sim --psm 11--psm 6和--psm 3在截图上的差距经常是“能读”和“读成一堆碎片”的差距。判断方法很粗暴如果你知道图里只有一段连续文字就别让它自己去猜版面。3.2 Python 侧的最小封装Python 生态里最常用的是 pytesseract它本质上是给命令行套了个壳所以命令行的所有参数都能透传。import pytesseract from PIL import Image # Windows 下 pytesseract 不会自动找到 exe必须显式指定 # Linux/macOS 一般已在 PATH 里这行可以省掉 pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe img Image.open(invoice.png) text pytesseract.image_to_string( img, langchi_sim, # 语言多语言用加号chi_simeng config--psm 6 --oem 1 # 版面模式 引擎模式 -c preserve_interword_spaces1, # 保留词间空格表格类有用 ) print(text)三个地方值得说清楚。langchi_simeng这种写法是允许的中英混排的票据建议加上 eng否则纯数字和英文单词容易被中文模型“脑补”成汉字。--oem 1强制走 LSTM避免某些版本在低质量图上自动切回 legacy 导致结果不稳定。preserve_interword_spaces1对表格和表单很关键默认情况下 Tesseract 会把连续空格压缩掉还原出来的文本就没法按列对齐了。如果系统里装了多个版本或者 tessdata 在非标准位置加上--tessdata-dir比改环境变量更可控尤其是在容器里跑的时候。3.3 拿到词级坐标和置信度只要纯文本是不够的业务上通常需要知道“这个字在哪、有多可信”。image_to_data返回的是词级结构data pytesseract.image_to_data( img, langchi_sim, config--psm 6, output_typepytesseract.Output.DICT, ) # 关键字段text 词内容、conf 置信度0-100-1 表示非文本行 for i, word in enumerate(data[text]): word word.strip() conf int(data[conf][i]) if word and conf 60: print(f{word}\tconf{conf}\t fbox({data[left][i]},{data[top][i]}, f{data[width][i]},{data[height][i]}))conf低于 60 的词基本可以认为不可信这个阈值不是拍脑袋中文场景下 60 以下大概率是粘连、断笔或者被误判为文字的图形噪声。把低置信度词单独捞出来做人工复核比整页返工效率高一个量级。level字段区分页/块/段/行/词五级需要按行聚合时筛level 4即可。4. 图像预处理与版面分析让识别率从 60% 到 90% 的具体操作同一张图直接喂和预处理后喂中文识别率差 30 个点很常见。Tesseract 内部没有做太多图像增强它假定输入已经是“干净的文档图像”。这个假定在扫描件和手机拍照上几乎从不成立。4.1 x-height 是隐形硬指标Tesseract 对字符高度有隐含要求小写字母主体的高度x-height最好在 30 像素以上对应整页扫描的 300 DPI 左右。低于这个值LSTM 的特征提取会明显退化表现就是“字都认识但拼不对”或者干脆输出空字符串。这就是为什么很多截图直接识别效果很差——手机截屏的逻辑分辨率可能只有 700 像素宽一行 20 个字每个字高度不到 20 像素。解决办法是把图放大不是裁剪。我一般按短边缩放到 10001500 像素作为基准宁可大一点。4.2 一条能抄的预处理流水线下面这段是长期用的默认流程灰度→放大→去噪→二值化→加白边五步都有明确目的import cv2 import numpy as np def preprocess(path, min_side1200): img cv2.imread(path, cv2.IMREAD_COLOR) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 1. 等比放大短边不足 min_side 时字符高度往往不到 30px h, w gray.shape[:2] if min(h, w) min_side: scale min_side / float(min(h, w)) gray cv2.resize(gray, None, fxscale, fyscale, interpolationcv2.INTER_CUBIC) # 2. 中值滤波去椒盐噪声核最大 3再大就把笔画糊掉了 gray cv2.medianBlur(gray, 3) # 3. 自适应二值化应对拍照时的光照不均比全局 Otsu 稳 binary cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize31, # 必须是奇数约为字符高度的 1.52 倍 C10, # 越大越“狠”噪声多时往上调 ) # 4. 加白边贴边字符经常被整行漏掉 binary cv2.copyMakeBorder(binary, 20, 20, 20, 20, cv2.BORDER_CONSTANT, value255) # 5. 白字黑底要反相Tesseract 只认黑字白底 if np.mean(binary) 127: binary cv2.bitwise_not(binary) return binaryblockSize和C是最需要按图调的两个参数。blockSize取太小二值化会把笔画内部也当成背景字变成空心取太大光照渐变就压不平。经验值是字符高度的 1.52 倍先估一下图里一个字大概多少像素再定这个值。C是从均值里减掉的偏置噪声多的手机拍照往上调到 15 左右干净的扫描件保持 10 甚至 5 就行。如果原图对比度本来就很好比如电子版 PDF 转的图直接 Otsu 全局阈值反而更干净_, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)判断标准很简单整张图光照均匀就用 Otsu有阴影、有反光、有渐变就用自适应。4.3 倾斜校正几度的问题能毁掉一整页扫描件放歪 2 度长行的末尾就会偏出十几像素行切分直接失败输出变成一行一个字。检测倾斜角有个轻量做法def deskew(binary): # 取所有前景像素坐标拟合最小外接矩形 coords np.column_stack(np.where(binary 128)) if len(coords) 50: return binary angle cv2.minAreaRect(coords)[-1] # OpenCV 返回的角度需要归一化到 [-45, 45] if angle -45: angle 90 angle if abs(angle) 0.3: # 角度太小就别转了重采样反而引入模糊 return binary h, w binary.shape[:2] m cv2.getRotationMatrix2D((w // 2, h // 2), angle, 1.0) return cv2.warpAffine(binary, m, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE)这个方法的边界要说清楚它依赖前景像素的整体分布遇到带大量插图的页面或者多栏排版会算歪。纯文字页、票据、表单用它没问题图文混排的页面建议先切出文字区域再做。角度小于 0.3 度时不要转重采样带来的模糊损失比那点倾斜更大。4.4 版面切分有时候切图比调参有效一张 A4 上同时有表头、表格、页脚说明交给--psm 3去自动分页结果经常是表格和正文被揉成一团。我的做法是先按业务语义切 ROI每块用最合适的 psm 单独识别最后按坐标合并。# 按列切表格先定位竖线再逐列识别 def split_columns(binary, n3): h, w binary.shape[:2] step w // n return [binary[:, i * step:(i 1) * step] for i in range(n)] for idx, col in enumerate(split_columns(binary, 3)): txt pytesseract.image_to_string( col, langchi_sim, config--psm 6 ) print(f--- 第 {idx 1} 列 ---) print(txt)切的时候一定要留重叠区字符被切一半是最难查的错误——识别结果里出现莫名其妙的半个字八成是切图边界压到笔画了。每块左右各留 1020 像素冗余代价很小。5. 避坑与排查五条踩过的坑按现象对号入座这一章的五条都是我或同事真实遇到过的按“现象→原因→解决”写遇到问题可以直接对号。5.1 报错找不到 tesseract 可执行文件现象Python 里一调用就抛TesseractNotFoundError提示tesseract is not installed or its not in your PATH但命令行里敲tesseract --version明明有输出。原因pytesseract 启动的是子进程它按 PATH 找可执行文件。Windows 上安装包默认不会把目录加进 PATH或者在 IDE 里启动时继承的环境变量和终端不一致。解决显式指定绝对路径别依赖 PATH。pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe。路径里有空格一定要用原始字符串反斜杠转义问题会让你怀疑人生。容器里则建议在 Dockerfile 里做软链到/usr/local/bin。5.2 语言包装了但识别出来是空的现象--list-langs里能看到 chi_sim但识别结果只有空白或者零星几个字符。原因三种可能——图片本身字符太小见 4.1语言包文件下载不完整.traineddata只有几百 KB正常中文包几十 MB或者文件后缀被加了.txt。解决先比一下文件体积明显偏小就是没下完。再用命令行直接跑排除 Python 层的干扰。如果是小字问题把图放大两倍再试能出字就说明是分辨率问题而不是安装问题。5.3 中文被识别成一行一个字现象输出的文本每个汉字占一行原本的一段话被拆得七零八落。原因--psm选错了。默认的 3 在窄图或者被裁得很紧的图上会判断成多列行切分失败后退化成逐字输出。另一种情况是图片被过度二值化字与字之间的间隔被放大。解决先试--psm 6单块文本再试--psm 7单行。如果仍然一个字一行回退二值化参数把blockSize调大、C调小让笔画连回去。5.4 竖排中文完全识别不出来现象古籍、招牌、部分证照是竖排的识别结果全是乱码或者干脆空。原因默认的 chi_sim 是按横排训练的竖排需要单独的chi_sim_vert.traineddata。解决装上竖排语言包用-l chi_sim_vert调用同时版面模式选--psm 5假定单个统一垂直文本块。如果图是横排但被旋转了 90 度不要用竖排模型硬扛先用osd.traineddata检测方向再旋正效果差得远。5.5 首次调用特别慢后面就快了现象服务刚启动时第一张图要一两秒后面每张只要几十毫秒。原因LSTM 模型是懒加载的第一次调用才把.traineddata读进内存。中文标准模型的体积不小冷启动开销明显。解决在服务启动阶段做一次预热拿一张几十像素的小图跑一遍image_to_string把模型顶进内存。如果是容器部署别在每次请求里重新创建子进程尽量复用进程。多语言切换时注意每套模型都会各自占内存chi_simeng是两个模型同时在跑。6. 进阶批量流水线里的置信度闸门与抽样复核单张图调通之后真正的分水岭在批量。我做过一个票据归档的活儿两万张图一开始全量跑完直接入库结果下游对账时发现金额字段错了上百条。后来改成带闸门的流水线返工量直接压到个位数。核心思路是别把 OCR 当“一定对”的黑匣子把它当“带置信度的候选答案”用置信度决定哪些结果可以直接用、哪些必须复核。import os import csv import pytesseract from PIL import Image pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe rows [] for name in os.listdir(./input): if not name.lower().endswith((.png, .jpg, .jpeg)): continue img Image.open(os.path.join(./input, name)) data pytesseract.image_to_data( img, langchi_sim, config--psm 6, output_typepytesseract.Output.DICT, ) words [(w.strip(), int(c)) for w, c in zip(data[text], data[conf]) if w.strip() and int(c) 0] if not words: rows.append((name, , 0, 空结果)) continue # 用词数加权算整页平均置信度 avg sum(c for _, c in words) / len(words) text .join(w for w, _ in words) status 可用 if avg 75 else (复核 if avg 50 else 拒收) rows.append((name, text, round(avg, 1), status)) with open(result.csv, w, newline, encodingutf-8-sig) as f: csv.writer(f).writerows(rows)阈值怎么定不是玄学先拿两三百张有标注的图跑一遍画出置信度分布找到“准确率开始明显掉”的那个拐点。中文印刷体一般在 75 附近手写和低质量扫描件会低到 55 左右。定完阈值别当铁律业务字段不同阈值也该不同——金额、证件号这种错一个字符就出事的字段单独拉高阈值甚至强制全量复核。另外两个小技巧。一是把--psm按图片类型分组别一张配置打天下票根和整页文档的最佳 psm 本来就不一样。二是记录每张图的耗时和二值化参数出问题时能回溯是哪一步变了——这套日志比事后猜有用得多算是给流水线留了个黑匣子。从那以后我每次接 OCR 相关的活儿都强制先跑一遍置信度分布再上线哪怕客户催得再急。便宜的药方往往最贵。希望帮到你。本文还有配套的精品资源点击获取 Tesseract离线中文OCR：安装调参、图像预处理与置信度闸门
简介面向需要在本地部署文字识别能力的开发者与办公自动化用户这份资源提供Tesseract-OCR的完整安装包及中文语言包可用于扫描文档、图片文字提取、批量数据录入等场景也适合研究OCR训练流程的技术人员。压缩包共724个文件、约36.01MB以C/C源码h、cpp为主体另含Java、XML配置、Shell脚本及am、traineddata等语言与训练数据并附命令行工具手册、示例图片和训练辅助文件兼顾直接安装与二次开发。已有289人学习下载。读者可从中获得可运行的开源OCR环境、中文识别数据以及字符集提取、聚类、训练与词典转换等配套脚本和说明便于把OCR能力集成进自有程序或按业务语料调整识别模型对排查安装、语言包配置和识别效果问题也有参考价值。1. 为什么命令行里还留着 Tesseract一个离线 OCR 的落点扫描件要转文字很多人的第一反应是调云端接口。但只要碰上内网环境、票据批量归档、或者每天上万张图不想按次计费的场景Tesseract-OCR 这个老牌开源光学字符识别引擎就会被重新翻出来。它不依赖网络装完就能离线跑配上中文语言包 chi_sim 足以应付大部分印刷体中文。这套完整安装包加语言包的组合解决的就是“拿到一台干净机器半小时内把 OCR 跑起来”的问题。它更像一个能被任意语言调用的命令行插件而不是带界面的软件所以真正的工作量在参数和预处理上。适合做文档数字化的后端开发、做票据证照识别的算法同学以及要把识别环节塞进本地流水线的运维。下面按“装什么、怎么调、在哪翻车”的顺序拆。2. 安装包与语言包怎么选版本、目录结构与 chi_sim 的落地位置很多人卡在第一步不是因为不会装而是装完了--list-langs里没有 chi_sim或者有 chi_sim 但识别出来全是问号和空格。这一章把安装包里到底装了什么、语言包该放哪儿、环境变量该指向谁讲清楚后面调参才有意义。2.1 版本选型4.x 与 5.x 的实际差别Tesseract 从 4.0 开始引入 LSTM 识别引擎5.x 进一步把 LSTM 做成默认且唯一的默认路径。对中文来说这个差别很实在3.x 时代用的还是基于特征模板的老引擎中文识别基本处于“能出字但不能用”的水平4.x 之后用 chi_sim 的 LSTM 模型规整的印刷体可以做到 90% 以上的字准确率。如果你拿到的安装包是 5.x--oem的可用取值如下0 是仅 legacy 引擎1 是仅 LSTM2 是两者混合3 是默认按可用性自动选。5.x 里 legacy 引擎在编译时可能已经被关掉这时候传--oem 0会直接报错退出这个报错很多人第一次见会以为安装包坏了。模型文件本身也分三档选错了不是不能跑是跑得慢或者不准模型类型体积量级速度准确率适用场景tessdata_fast小最快一般实时预览、大批量粗筛tessdata标准中中等较好绝大多数生产场景tessdata_best大慢 35 倍最好归档级数字化、离线批处理我一般会给中文场景配标准版 chi_sim再单独留一份 best 版做回溯校验。fast 版中文在小字号上掉点很明显不建议直接上生产。2.2 目录结构与 TESSDATA_PREFIX 到底指向谁安装完成后核心目录只有一个tessdata里面平铺着一堆*.traineddata文件每个文件就是一种语言或一份配置。chi_sim.traineddata是简体中文chi_sim_vert.traineddata是竖排简体chi_tra是繁体eng是英文osd.traineddata负责文字方向和脚本检测——这个文件经常被漏掉结果就是带旋转的扫描件识别结果整段错位。TESSDATA_PREFIX是这块最容易翻车的地方。不同版本的语义不完全一致多数情况下它应该指向tessdata的父目录而部分构建里又允许直接指向tessdata目录本身。与其背结论不如让程序自己告诉你# --list-langs 会把实际搜索的语言包目录打印出来 tesseract --list-langs # 输出形如 # List of available languages in /usr/share/tesseract-ocr/5/tessdata/ (3): # chi_sim # chi_sim_vert # eng括号里的路径就是它真正在找的位置。把chi_sim.traineddata放进这个目录比折腾环境变量可靠得多。如果确实需要用自定义目录可以用--tessdata-dir显式指定优先级高于环境变量tesseract scan.png stdout -l chi_sim --tessdata-dir /data/ocr/tessdata注意--tessdata-dir指向的是tessdata目录本身不含末尾斜杠也不要再往下指一层。2.3 三个平台的落地步骤Linux 和 macOS 用包管理器最省事语言包会被自动放到正确位置# Debian / Ubuntu 系 sudo apt-get update sudo apt-get install -y tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-sim-vert # macOS brew install tesseract brew install tesseract-lang # 一次性装齐所有语言包体积偏大 # 验证 tesseract --version tesseract --list-langsWindows 走安装包的话安装向导里有一个“Additional language data”勾选项勾上之后会把一批语言包一起放进去如果安装包是精简版没带中文就手动把chi_sim.traineddata拷进安装目录下的tessdata。默认路径通常是C:\Program Files\Tesseract-OCR\tessdata注意这个目录在 Program Files 下普通用户权限写不进去需要管理员权限复制。一个常被忽略的细节从网页下载.traineddata文件时浏览器可能给它加上.txt后缀变成chi_sim.traineddata.txt。Tesseract 只认后缀严格匹配的文件多一个.txt就等于没装而且--list-langs里也不会出现 chi_sim很容易误判成语言包本身有问题。2.4 用一张图确认整条链路是通的装完别急着写代码先用命令行跑一张图把“引擎→语言包→输出”这条链路验一遍# 生成一张测试图有现成图片就跳过这步 # 识别-l 指定语言--psm 6 假定是一整块文本 tesseract test.png stdout -l chi_sim --psm 6能正常输出中文说明安装包、语言包、路径全对。这一步没跑通就去调 Python等于在错误的基线上排错血泪经验。3. 跑通第一条识别链路命令行参数与 Python 封装命令行能出字只是起点。生产里真正决定成败的是三个参数语言、版面切分模式psm、引擎模式oem。把它们理解成“告诉引擎这张图长什么样”比死记取值有用得多。3.1 --psm告诉引擎这张图的版面长什么样--psm取值 0 到 13最常用的就那么几个。默认值是 3全自动分页它在整页文档上表现尚可但在截图、票据、单行文字上经常把版面切得七零八落。psm含义典型用法3全自动分页无方向检测整页扫描件默认值4假定单列、字号可变单栏文章、说明书6假定单个统一文本块票据正文、截图段落7假定单行文本标题、表头、单行字段8假定单个词关键词提取11稀疏文本尽可能找更多字海报、带图排版、 scattered 文字13原始单行跳过内部处理已做过精细预处理的单行实际用法# 单行字段发票号、金额、姓名 tesseract field.png stdout -l chi_sim --psm 7 # 一段正文截图里的说明文字 tesseract block.png stdout -l chi_sim --psm 6 # 海报、菜单这类文字分散的图 tesseract poster.png stdout -l chi_sim --psm 11--psm 6和--psm 3在截图上的差距经常是“能读”和“读成一堆碎片”的差距。判断方法很粗暴如果你知道图里只有一段连续文字就别让它自己去猜版面。3.2 Python 侧的最小封装Python 生态里最常用的是 pytesseract它本质上是给命令行套了个壳所以命令行的所有参数都能透传。import pytesseract from PIL import Image # Windows 下 pytesseract 不会自动找到 exe必须显式指定 # Linux/macOS 一般已在 PATH 里这行可以省掉 pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe img Image.open(invoice.png) text pytesseract.image_to_string( img, langchi_sim, # 语言多语言用加号chi_simeng config--psm 6 --oem 1 # 版面模式 引擎模式 -c preserve_interword_spaces1, # 保留词间空格表格类有用 ) print(text)三个地方值得说清楚。langchi_simeng这种写法是允许的中英混排的票据建议加上 eng否则纯数字和英文单词容易被中文模型“脑补”成汉字。--oem 1强制走 LSTM避免某些版本在低质量图上自动切回 legacy 导致结果不稳定。preserve_interword_spaces1对表格和表单很关键默认情况下 Tesseract 会把连续空格压缩掉还原出来的文本就没法按列对齐了。如果系统里装了多个版本或者 tessdata 在非标准位置加上--tessdata-dir比改环境变量更可控尤其是在容器里跑的时候。3.3 拿到词级坐标和置信度只要纯文本是不够的业务上通常需要知道“这个字在哪、有多可信”。image_to_data返回的是词级结构data pytesseract.image_to_data( img, langchi_sim, config--psm 6, output_typepytesseract.Output.DICT, ) # 关键字段text 词内容、conf 置信度0-100-1 表示非文本行 for i, word in enumerate(data[text]): word word.strip() conf int(data[conf][i]) if word and conf 60: print(f{word}\tconf{conf}\t fbox({data[left][i]},{data[top][i]}, f{data[width][i]},{data[height][i]}))conf低于 60 的词基本可以认为不可信这个阈值不是拍脑袋中文场景下 60 以下大概率是粘连、断笔或者被误判为文字的图形噪声。把低置信度词单独捞出来做人工复核比整页返工效率高一个量级。level字段区分页/块/段/行/词五级需要按行聚合时筛level 4即可。4. 图像预处理与版面分析让识别率从 60% 到 90% 的具体操作同一张图直接喂和预处理后喂中文识别率差 30 个点很常见。Tesseract 内部没有做太多图像增强它假定输入已经是“干净的文档图像”。这个假定在扫描件和手机拍照上几乎从不成立。4.1 x-height 是隐形硬指标Tesseract 对字符高度有隐含要求小写字母主体的高度x-height最好在 30 像素以上对应整页扫描的 300 DPI 左右。低于这个值LSTM 的特征提取会明显退化表现就是“字都认识但拼不对”或者干脆输出空字符串。这就是为什么很多截图直接识别效果很差——手机截屏的逻辑分辨率可能只有 700 像素宽一行 20 个字每个字高度不到 20 像素。解决办法是把图放大不是裁剪。我一般按短边缩放到 10001500 像素作为基准宁可大一点。4.2 一条能抄的预处理流水线下面这段是长期用的默认流程灰度→放大→去噪→二值化→加白边五步都有明确目的import cv2 import numpy as np def preprocess(path, min_side1200): img cv2.imread(path, cv2.IMREAD_COLOR) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 1. 等比放大短边不足 min_side 时字符高度往往不到 30px h, w gray.shape[:2] if min(h, w) min_side: scale min_side / float(min(h, w)) gray cv2.resize(gray, None, fxscale, fyscale, interpolationcv2.INTER_CUBIC) # 2. 中值滤波去椒盐噪声核最大 3再大就把笔画糊掉了 gray cv2.medianBlur(gray, 3) # 3. 自适应二值化应对拍照时的光照不均比全局 Otsu 稳 binary cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize31, # 必须是奇数约为字符高度的 1.52 倍 C10, # 越大越“狠”噪声多时往上调 ) # 4. 加白边贴边字符经常被整行漏掉 binary cv2.copyMakeBorder(binary, 20, 20, 20, 20, cv2.BORDER_CONSTANT, value255) # 5. 白字黑底要反相Tesseract 只认黑字白底 if np.mean(binary) 127: binary cv2.bitwise_not(binary) return binaryblockSize和C是最需要按图调的两个参数。blockSize取太小二值化会把笔画内部也当成背景字变成空心取太大光照渐变就压不平。经验值是字符高度的 1.52 倍先估一下图里一个字大概多少像素再定这个值。C是从均值里减掉的偏置噪声多的手机拍照往上调到 15 左右干净的扫描件保持 10 甚至 5 就行。如果原图对比度本来就很好比如电子版 PDF 转的图直接 Otsu 全局阈值反而更干净_, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)判断标准很简单整张图光照均匀就用 Otsu有阴影、有反光、有渐变就用自适应。4.3 倾斜校正几度的问题能毁掉一整页扫描件放歪 2 度长行的末尾就会偏出十几像素行切分直接失败输出变成一行一个字。检测倾斜角有个轻量做法def deskew(binary): # 取所有前景像素坐标拟合最小外接矩形 coords np.column_stack(np.where(binary 128)) if len(coords) 50: return binary angle cv2.minAreaRect(coords)[-1] # OpenCV 返回的角度需要归一化到 [-45, 45] if angle -45: angle 90 angle if abs(angle) 0.3: # 角度太小就别转了重采样反而引入模糊 return binary h, w binary.shape[:2] m cv2.getRotationMatrix2D((w // 2, h // 2), angle, 1.0) return cv2.warpAffine(binary, m, (w, h), flagscv2.INTER_CUBIC, borderModecv2.BORDER_REPLICATE)这个方法的边界要说清楚它依赖前景像素的整体分布遇到带大量插图的页面或者多栏排版会算歪。纯文字页、票据、表单用它没问题图文混排的页面建议先切出文字区域再做。角度小于 0.3 度时不要转重采样带来的模糊损失比那点倾斜更大。4.4 版面切分有时候切图比调参有效一张 A4 上同时有表头、表格、页脚说明交给--psm 3去自动分页结果经常是表格和正文被揉成一团。我的做法是先按业务语义切 ROI每块用最合适的 psm 单独识别最后按坐标合并。# 按列切表格先定位竖线再逐列识别 def split_columns(binary, n3): h, w binary.shape[:2] step w // n return [binary[:, i * step:(i 1) * step] for i in range(n)] for idx, col in enumerate(split_columns(binary, 3)): txt pytesseract.image_to_string( col, langchi_sim, config--psm 6 ) print(f--- 第 {idx 1} 列 ---) print(txt)切的时候一定要留重叠区字符被切一半是最难查的错误——识别结果里出现莫名其妙的半个字八成是切图边界压到笔画了。每块左右各留 1020 像素冗余代价很小。5. 避坑与排查五条踩过的坑按现象对号入座这一章的五条都是我或同事真实遇到过的按“现象→原因→解决”写遇到问题可以直接对号。5.1 报错找不到 tesseract 可执行文件现象Python 里一调用就抛TesseractNotFoundError提示tesseract is not installed or its not in your PATH但命令行里敲tesseract --version明明有输出。原因pytesseract 启动的是子进程它按 PATH 找可执行文件。Windows 上安装包默认不会把目录加进 PATH或者在 IDE 里启动时继承的环境变量和终端不一致。解决显式指定绝对路径别依赖 PATH。pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe。路径里有空格一定要用原始字符串反斜杠转义问题会让你怀疑人生。容器里则建议在 Dockerfile 里做软链到/usr/local/bin。5.2 语言包装了但识别出来是空的现象--list-langs里能看到 chi_sim但识别结果只有空白或者零星几个字符。原因三种可能——图片本身字符太小见 4.1语言包文件下载不完整.traineddata只有几百 KB正常中文包几十 MB或者文件后缀被加了.txt。解决先比一下文件体积明显偏小就是没下完。再用命令行直接跑排除 Python 层的干扰。如果是小字问题把图放大两倍再试能出字就说明是分辨率问题而不是安装问题。5.3 中文被识别成一行一个字现象输出的文本每个汉字占一行原本的一段话被拆得七零八落。原因--psm选错了。默认的 3 在窄图或者被裁得很紧的图上会判断成多列行切分失败后退化成逐字输出。另一种情况是图片被过度二值化字与字之间的间隔被放大。解决先试--psm 6单块文本再试--psm 7单行。如果仍然一个字一行回退二值化参数把blockSize调大、C调小让笔画连回去。5.4 竖排中文完全识别不出来现象古籍、招牌、部分证照是竖排的识别结果全是乱码或者干脆空。原因默认的 chi_sim 是按横排训练的竖排需要单独的chi_sim_vert.traineddata。解决装上竖排语言包用-l chi_sim_vert调用同时版面模式选--psm 5假定单个统一垂直文本块。如果图是横排但被旋转了 90 度不要用竖排模型硬扛先用osd.traineddata检测方向再旋正效果差得远。5.5 首次调用特别慢后面就快了现象服务刚启动时第一张图要一两秒后面每张只要几十毫秒。原因LSTM 模型是懒加载的第一次调用才把.traineddata读进内存。中文标准模型的体积不小冷启动开销明显。解决在服务启动阶段做一次预热拿一张几十像素的小图跑一遍image_to_string把模型顶进内存。如果是容器部署别在每次请求里重新创建子进程尽量复用进程。多语言切换时注意每套模型都会各自占内存chi_simeng是两个模型同时在跑。6. 进阶批量流水线里的置信度闸门与抽样复核单张图调通之后真正的分水岭在批量。我做过一个票据归档的活儿两万张图一开始全量跑完直接入库结果下游对账时发现金额字段错了上百条。后来改成带闸门的流水线返工量直接压到个位数。核心思路是别把 OCR 当“一定对”的黑匣子把它当“带置信度的候选答案”用置信度决定哪些结果可以直接用、哪些必须复核。import os import csv import pytesseract from PIL import Image pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe rows [] for name in os.listdir(./input): if not name.lower().endswith((.png, .jpg, .jpeg)): continue img Image.open(os.path.join(./input, name)) data pytesseract.image_to_data( img, langchi_sim, config--psm 6, output_typepytesseract.Output.DICT, ) words [(w.strip(), int(c)) for w, c in zip(data[text], data[conf]) if w.strip() and int(c) 0] if not words: rows.append((name, , 0, 空结果)) continue # 用词数加权算整页平均置信度 avg sum(c for _, c in words) / len(words) text .join(w for w, _ in words) status 可用 if avg 75 else (复核 if avg 50 else 拒收) rows.append((name, text, round(avg, 1), status)) with open(result.csv, w, newline, encodingutf-8-sig) as f: csv.writer(f).writerows(rows)阈值怎么定不是玄学先拿两三百张有标注的图跑一遍画出置信度分布找到“准确率开始明显掉”的那个拐点。中文印刷体一般在 75 附近手写和低质量扫描件会低到 55 左右。定完阈值别当铁律业务字段不同阈值也该不同——金额、证件号这种错一个字符就出事的字段单独拉高阈值甚至强制全量复核。另外两个小技巧。一是把--psm按图片类型分组别一张配置打天下票根和整页文档的最佳 psm 本来就不一样。二是记录每张图的耗时和二值化参数出问题时能回溯是哪一步变了——这套日志比事后猜有用得多算是给流水线留了个黑匣子。从那以后我每次接 OCR 相关的活儿都强制先跑一遍置信度分布再上线哪怕客户催得再急。便宜的药方往往最贵。希望帮到你。本文还有配套的精品资源点击获取