简介这是 Tesseract OCR 的安装与中文识别资源包。Tesseract OCR 是谷歌维护的开源光学字符识别引擎能将图像中的文字转换为可编辑文本广泛应用于文档扫描、图片文字提取等领域。本包内含 Windows 平台所需的安装程序以及简体中文chi_sim、繁体中文chi_tra语言包面向开发者、数据分析人员和自动化运维人员帮助快速搭建中文 OCR 环境。压缩包共有 722 个文件以 C/C 源代码为主包含 274 个 .h 文件与 271 个 .cpp 文件并搭配 Java、XML、HTML、Shell 脚本、CMake 配置、文本说明和中文语言数据文件等覆盖源码编译、接口调用、配置说明与模型数据压缩后约 33.84MB。已有 948 人浏览/学习。对需要离线部署 OCR 服务或定制识别模型的读者该包目录结构清晰包含常见命令行示例与自定义字典等辅助文件可用于核对版本、训练语言模型或集成 API免去四处搜集与反复调试的麻烦。1. tesseract-ocr 安装包和中文语言包装一半等于没装做 OCR 的人碰到 tesseract-ocr 安装包和中文语言包这两个词常以为是一件事其实是两件。tesseract-ocr 是识别引擎解决“能跑”中文语言包chi_sim.traineddata是识别模型解决“认得中文”。只装引擎不装语言包跑中文直接报错或输出乱码只下语言包不装引擎文件躺在硬盘里毫无用处。这对组合最典型的落地场景是把发票截图、文档扫描件里的中文转成可搜索文本再喂给下游自动化流程。适合三类人用 Python 做文档自动化的开发、需要批量转图片文本的运营、刚接触 OCR 的学生。下面按“装引擎 → 放语言包 → 调参数 → 排坑”推进每步都给出能直接复现的命令。2. 装对 tesseract-ocr 引擎三个平台的最小安装命令2.1 Windows 安装安装包、组件勾选与 PATHWindows 上装 tesseract 的常见做法是去项目官方仓库的 Releases 页面下载社区维护的安装包。下载时看清位数现在基本是 64 位机器选 x64 安装包就行。安装过程不是一路 Next 就结束走到 “Choose Components” 那一步注意有个 “Additional language data” 的树形选项展开后可以勾选 Chinese (Simplified) 和 Chinese (Traditional)。这里漏勾后面就识别不了中文这是 Windows 上最普遍的“装了 tesseract 但中文跑不起来”的源头。另一个容易埋雷的地方是 PATH。安装器通常会问是否把安装目录加入系统 PATH这一步别取消。如果当时没注意装完后在命令行敲 tesseract 会提示“不是内部或外部命令”这时候去系统环境变量里手动补一条安装目录常见是 C:\Program Files\Tesseract-OCR。补完 PATH 要新开一个命令行窗口才会生效老窗口不会自动更新。有些公司电脑不给装全局软件可以选便携版解压到本地目录用但那样 TESSDATA_PREFIX 和环境变量都得自己配复杂度会高不少新手还是先走正常安装流程。装完先做一次完整验证命令如下。REM Windows验证引擎本体与可用语言 C:\Program Files\Tesseract-OCR\tesseract.exe --version C:\Program Files\Tesseract-OCR\tesseract.exe --list-langs代码说明第一行打印版本确认引擎装成功第二行列出现有语言包。第二行如果报错或列表是空的说明 tessdata 路径有问题或者安装时语言组件没选。路径以实际安装目录为准装的时候改过目录命令里的路径也要一起改。2.2 Linux 与 macOSapt 和 brew 的包名差异LinuxDebian/Ubuntu 系的坑不在安装过程在包名。引擎本体叫 tesseract-ocr简体中文语言包是独立的 tesseract-ocr-chi-sim繁体是 tesseract-ocr-chi-tra。很多人只 apt 装了 tesseract-ocr后面跑 -l chi_sim 就报 Failed loading language。这不是 bug是包没装全。我一般直接一条命令把引擎和中文包一起装掉省得回头补。# Ubuntu / Debian引擎 简体中文语言包 sudo apt update sudo apt install -y tesseract-ocr tesseract-ocr-chi-sim tesseract --version tesseract --list-langs代码说明apt 会把引擎二进制和语言包分别放到系统目录tesseract 默认能找到装完立刻能用 --list-langs 看到 chi_sim 在不在列表里。需要繁体就再追加 tesseract-ocr-chi-tra需要竖排中文要单独下载 chi_sim_vert.traineddata默认源里不一定有。macOS 上换用包管理器思路一样。常见做法是用 brew 装引擎再装一个语言包聚合包一条命令把所有语言包拉下来省得逐个找。# macOS引擎 全语言包 brew install tesseract tesseract-lang tesseract --list-langs | grep chi代码说明tesseract-lang 包会把 tessdata 支持的所有语言装上grep chi 只筛中文相关条目。不想装全量语言可以只 brew install tesseract再手动下载 chi_sim.traineddata 放进 tessdata 目录具体做法见第 3 章。2.3 验证安装先看版本再列语言不管哪个平台装完都建议做两步验证顺序不能反。第一步 tesseract --version确认引擎本身能跑第二步 tesseract --list-langs确认语言包真的被引擎找到了。两步都过才算环境就绪。有一个高频误用要提醒很多人用 pip 装了 pytesseract就以为 OCR 环境装好了。pytesseract 只是封装层它既不带引擎也不带语言包。这个误用是新手翻车重灾区第 5 章还会专门展开。版本输出那一行信息量也不小4.0 之后 tesseract 引入了 LSTM 识别引擎打印的版本能帮你确认自己用的是哪个大版本后面下载语言包时也好匹配跨大版本混用 traineddata 会出问题。3. 中文语言包 chi_sim从哪下载、放哪去、怎么验证3.1 traineddata 文件一个文件就是一个语言tesseract 的语言包本质上是一个名为 chi_sim.traineddata 的二进制文件里面打包了语言特征、字符集和识别模型。tesseract 启动时按 -l 参数去 tessdata 目录里找对应文件找不到就报 Failed loading language找到了就加载它来识别。这也是“引擎 语言包必须成对出现”的底层原因引擎负责把图片跑成候选字符语言包负责告诉引擎这些字符属于哪种文字、长什么样。tessdata 官方仓库有三个分支精度和速度各有取舍选型参考下面这张表。来源定位适合场景速度tessdata_fast体积小、速度快实时拍照、大体量批量任务最快tessdata标准精度与速度折中日常默认中等tessdata_best精度优先扫描件、归档文档最慢实际选型时图片质量一般又不想写太多预处理代码直接上 tessdata_best 是性价比最高的做法网页截图批量转文本追求吞吐用 fast 更划算。三个分支的 traineddata 都能被 4.0 之后的 LSTM 引擎读取但不要跨大版本混用模型文件这个坑在第 5 章细说。3.2 把语言包放进 tessdata路径与 TESSDATA_PREFIX语言包落位有两条路。一条是安装包自动落位Windows 勾选、Linux 的 tesseract-ocr-chi-sim、macOS 的 tesseract-lang 都属于这类。另一条是手动下载 traineddata 文件自己拷进 tessdata 目录。手动方式在 Windows 上最常见因为 Windows 安装器补装语言比较麻烦重跑安装器还得翻出原安装包。手动放置前先确认 tessdata 目录在哪。Windows 安装目录下一般自带 tessdata 文件夹Linux 上可以用包管理器查文件清单来定位。# Ubuntu查 tesseract 包把 tessdata 装到了哪里 dpkg -L tesseract-ocr | grep tessdata代码说明dpkg -L 列出 tesseract-ocr 包安装的所有文件grep tessdata 把语言数据目录筛出来。不同发行版和不同 tesseract 版本这个路径不完全一样别背路径用命令查最稳。找到 tessdata 目录后把下载好的 chi_sim.traineddata 拷进去然后立刻验证tesseract --list-langs 能看到 chi_sim说明路径对了。如果 tesseract 报错找不到 tessdata检查环境变量 TESSDATA_PREFIX它应该指向 tessdata 所在的目录即 tessdata 的父级。不想改全局环境变量时可以在命令行里临时指定。提示TESSDATA_PREFIX 指向的是包含 tessdata 文件夹的目录不是 tessdata 自身。搞反了tesseract 会去错误位置找语言包。# 临时指定 tessdata 目录适合多版本语言包并存时验证 TESSDATA_PREFIX/path/to/tessdata tesseract demo.png out -l chi_sim代码说明TESSDATA_PREFIX 被临时设为 tessdata 所在目录tesseract 会去该目录下找 chi_sim.traineddata。Windows 下对应的是 set TESSDATA_PREFIXD:\path\to\tessdata 后接同一条 tesseract 命令。多语言包工程里我习惯用这种方式验环境不动全局变量。3.3 最小可运行验证一张中文图测通语言包放好后用一张含印刷体中文的图片做端到端验证。图片用系统截图就行白底黑字、文字清晰的优先别一上来就拿模糊照片试。# 识别中文图片结果写入 out.txt tesseract demo.png out -l chi_sim cat out.txt代码说明demo.png 是输入图out 是输出文件前缀默认生成 out.txt。cat 看到的内容和图片一致说明引擎和语言包全部就绪如果 out.txt 是空的或者内容完全对不上别急着怀疑语言包先看图片清晰度再看第 5 章的 psm 相关坑。这里有个习惯值得养成验证语言包是否生效优先用 --list-langs不要靠跑一张图来猜报错信息能帮你区分是语言包缺失还是图片识别失败。4. Python 调用 pytesseract路径、参数与第一次识别4.1 指定 tesseract_cmd绕开 PATH 玄学用 Python 做 OCR 的常见路径是 pytesseract 加 Pillow注意 pip 装完不等于环境就绪原因前面说过pytesseract 是封装层背后用 subprocess 调用系统的 tesseract 可执行文件。系统 PATH 里找不到这个可执行文件就会抛 TesseractNotFoundError。所以写代码第一件事显式指定可执行文件路径一劳永逸。# 先装库pip install pytesseract pillow from PIL import Image import pytesseract # 显式指定 tesseract 可执行文件路径Windows 下尤其必要 pytesseract.pytesseract.tesseract_cmd rD:\Program Files\Tesseract-OCR\tesseract.exe text pytesseract.image_to_string(Image.open(demo.png), langchi_sim) print(text)代码说明第三行把 tesseract_cmd 指向实际安装路径前面的 r 表示原始字符串防止 Windows 路径里的反斜杠被当成转义字符。Linux 上这个路径一般是 /usr/bin/tesseract如果用的是源码方式装的也建议写绝对路径而不是依赖 PATH。lang 参数传 chi_sim和命令行的 -l 是同一个东西也可以写成 chi_simeng 处理中英混排。4.2 常用参数lang、psm、oem 怎么配pytesseract 的 config 字符串对应命令行参数最常用的三个是 lang、psm、oem。lang 选识别语言psm 控制页面分割方式直接影响中文识别效果oem 控制识别引擎4.0 之后是 LSTM 主导。参数取值示例作用典型场景langchi_sim / chi_simeng识别语言中文、中英混排psm3 / 6 / 7页面分割模式3 整页6 单块7 单行oem1 / 3引擎模式1 纯 LSTM3 LSTMLegacy识别整页文档用默认 psm 3 就行识别发票上的单个字段比如单号、金额用 psm 7 配合白名单效果立竿见影一个大段落文字用 psm 6 往往比 3 更稳因为 psm 3 可能把段落拆碎。import pytesseract from PIL import Image # 单行数字字段psm 7 白名单把搜索空间压到最小 text pytesseract.image_to_string( Image.open(number.png), langchi_sim, config--psm 7 -c tessedit_char_whitelist0123456789 ) print(text.strip())代码说明config 里 --psm 7 告诉引擎“图片只有一行文字”-c tessedit_char_whitelist 把候选字符集限制为 0-9。白名单适合字符集可控的场景比如编号、金额对自由中文文本不适用因为中文字符集太大白名单没有意义。中文场景提准确率更多靠 psm 和预处理。4.3 中英混排与繁体语言标签别用错混合语言场景最容易出问题的就是语言标签。简体图片用 chi_sim繁体图片用 chi_tra中英混排文档用 chi_simeng这三个不能混。还有一个容易漏的竖排中文要用 chi_sim_vert 语言包普通 chi_sim 是按横行训练的拿它识别竖排文字结果是乱序的。import pytesseract from PIL import Image # 中英混排语言标签用加号连接oem 显式指定 LSTM text pytesseract.image_to_string( Image.open(mixed.png), langchi_simeng, config--oem 1 ) print(text)代码说明lang 用加号拼接多个语言引擎会在这些语言之间做候选切换。--oem 1 表示只用 LSTM 引擎不混 Legacy 模式新版 tesseract 默认基本就是 LSTM 主导只有遇到老模型兼容问题才需要显式加这个参数。输出顺序按识别结果的行序打印混排文档建议先看 psm 3 的默认分块是否把中英文拆乱拆乱了就换 psm 6。5. 装好却不干活5 个高频坑与排查记录这一章的每一条都是我或同事实际踩过的血泪经验按“现象 → 原因 → 解决”给全遇到类似的直接对号入座。5.1 坑一pytesseract 报 TesseractNotFoundError现象Python 里 import pytesseract 正常一调 image_to_string 就抛 pytesseract.TesseractNotFoundError。原因只 pip 装了 pytesseract没装 tesseract 引擎本体或者装了但不在 PATH 里。pytesseract 是壳没有引擎代码也没有语言包全靠 subprocess 去调外部可执行文件。解决先把第 2 章的引擎装齐然后在代码里显式指定 tesseract_cmd 绝对路径不要依赖 PATH。这一步能同时解决“命令行能用、Python 里不能用”这类环境不一致的怪问题。5.2 坑二Failed loading language chi_sim现象执行 tesseract demo.png out -l chi_sim输出 Failed loading language chi_sim或提示 Tesseract couldnt load any languages。原因语言包缺失。Windows 安装时没勾 Additional language data 里的中文Linux 只 apt 装了 tesseract-ocr没装 tesseract-ocr-chi-sim。引擎去 tessdata 目录找 chi_sim.traineddata 找不到就报这个错。解决先跑 tesseract --list-langs 看列表里有没有 chi_sim。没有就补Windows 重跑安装器勾中文组件或手动下载 chi_sim.traineddata 放进 tessdataLinux 直接补包再验证。# Linux 补装简体中文语言包后重新验证 sudo apt install -y tesseract-ocr-chi-sim tesseract --list-langs代码说明补装后 --list-langs 的输出里必须能看到 chi_sim看不到说明装的路径和引擎实际读取的 tessdata 不一致这时按 3.2 节查 TESSDATA_PREFIX。5.3 坑三中文识别全是乱码或空文本现象语言包在、引擎能跑但识别结果不是乱码就是空文件。原因优先排查三条。第一语言标签用错拿 chi_tra 识别简体或只用了 eng第二图片质量差模糊、低分辨率、对比度低第三psm 模式和文本版式不匹配把多行文本当单行跑。解决按顺序处理。先确认 lang 是 chi_sim再用 OpenCV 对图片做灰度、放大、二值化最后换 psm 试整页用 3单块用 6单行用 7。多数乱码案例在“放大两倍 psm 6”之后就能救回来。5.4 坑四换台机器识别结果和本地不一样现象同一套代码、同一张图本地识别正常部署到服务器后结果明显变差甚至直接报错。原因两台机器的 tesseract 版本不一致或者语言包来源不一致——一台是 fast 版一台是 best 版更隐蔽的是手动下载的 traineddata 和系统包管理器装的模型版本不兼容跨大版本加载行为不可控。解决项目里固定引擎版本和语言包来源。语言包建议全部从同一个仓库分支下载并在部署文档里写明来源容器化部署时把引擎和 tessdata 一起打进镜像不要依赖宿主机环境。做到这两点换环境的影响就只限于图片本身。5.5 坑五竖排中文、长截图结果文序错乱现象竖排中文识别出来单字能对上但整句顺序颠倒超长截图则出现段落拼接错乱。原因竖排文字需要专门的 chi_sim_vert 语言包chi_sim 按横行训练不认竖排长图则是 psm 3 的自动分块把版面理解错了把不该合并的段落并到了一起。解决竖排场景下载 chi_sim_vert.traineddata识别时 lang 写 chi_sim_vert 或 chi_simchi_sim_vert长图先按高度切成若干段每段用 psm 6 识别再按顺序拼接。切分长图是土办法但非常稳处理超长截图基本都用这个策略。6. 把中文识别率再往上提预处理、best 语言包与白名单前面能把流程跑通这章写给想让准确率再上一档的人。三个动作按投入产出比排序换语言包来源、图片预处理、约束输出。把这三步做掉中文识别基本能从“能用”变成“好用”。先看语言包来源。如果现在用的是默认 tessdata 或 fast把 chi_sim.traineddata 换成 tessdata_best 版本速度会明显慢但准确率提升很实在尤其对扫描件和拍照件。替换时把旧文件改名备份不要直接覆盖这样对比效果时还能切回去。import cv2 import pytesseract # 预处理组合拳灰度 放大 二值化 img cv2.imread(scan.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray cv2.resize(gray, None, fx2, fy2, interpolationcv2.INTER_CUBIC) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) text pytesseract.image_to_string(binary, langchi_sim, config--psm 6) print(text)代码说明灰度去掉颜色干扰放大两倍让笔画变粗LSTM 对粗笔画更友好Otsu 二值化自动算阈值把浅灰背景压成纯白。这套组合对白底黑字文档最有效对彩色海报可能过度处理需要按图微调。cv2 是 OpenCV 的 Python 接口用 pip install opencv-python 安装。再讲约束输出。字段识别场景前面演示过数字白名单中文字段也可以做类似限制把候选字集限制成业务相关的字表比如省份名、城市名。这个思路的本质是“让引擎在更小的答案空间里猜”在很多项目里比调模型更直接。参数形式还是 -c tessedit_char_whitelist只是字符集换成业务字表。最后说我自己的习惯每次调参固定同一张测试图跑一遍记录结果作为回归基线。改语言包、改预处理、改 psm都用这张图对比别今天换一张明天换一张否则根本分不清是改进还是图片差异。tesseract 的中文识别从来不是装上就完事它像一个需要微调的乐器基线、对比、小步改才是让它稳定输出的办法。希望帮到你。本文还有配套的精品资源点击获取