简介Tesseract OCR 安装包与中文语言包面向需要在本地完成文字识别的开发者、测试人员及自动化办公用户尤其适合用 Python 调用 OCR 处理截图、扫描件与票据图片的场景。压缩包共 723 个文件约 36.01MB以 h 与 cpp 源码文件为主体并包含 am、java、xml、html、sh、cmake、yml 等构建与配置脚本以及 traineddata、tif、png、jpg 等语言模型和测试图像另有 txt、md、pdf 等说明文档覆盖从编译到识别的完整链路。资源中附带简体中文语言数据可识别中文文字并保留命令行工具与训练相关文件便于按需扩展字库。目前已有 941 人学习下载适合希望快速搭建 OCR 环境、研究识别流程或进行二次开发的读者参考使用。1. 别急着双击那个 zipOCR 中文识别的第一道坎很多人拿到tesseract-ocr安装包和中文语言包.zip的第一反应是解压、双击 exe、一路下一步然后兴冲冲地拿一张中文截图去识别结果终端里蹦出一串乱码或者干脆报Error opening data file ./chi_sim.traineddata。这不是你操作有问题而是 Tesseract 的安装包和语言包本来就是两套东西前者是引擎后者是字典缺了字典引擎就是个不认识中文的睁眼瞎。这个标题背后真正要解决的问题是在本地把 Tesseract OCR 跑起来并且让它能正确识别简体中文。适合谁适合需要批量处理发票、合同扫描件、截图文字提取的后端和脚本开发者也适合想在自己机器上搭一套离线 OCR 流水线、不想把图片传到第三方接口的人。整条路径分三步装引擎、放语言包、配环境变量任何一步偷懒都会在调用时翻车。下面按我实际部署的顺序拆开讲。2. 引擎和语言包到底谁管谁先搞懂目录结构再动手2.1 引擎、语言包、TESSDATA_PREFIX 三者的关系Tesseract 的架构很朴素可执行程序负责图像预处理、版面分析和字符切分语言包*.traineddata负责提供某个语种的字符集和 LSTM 模型权重。引擎启动时会去一个叫TESSDATA_PREFIX的目录里找语言包找不到就报错。Windows 上默认会去安装目录下的tessdata文件夹找Linux 上通常是/usr/share/tesseract-ocr/4.00/tessdata/或/usr/share/tessdata/。这里有个高频误解以为装了中文语言包就自动生效。实际上语言包只是文件你得在命令里用-l chi_sim显式指定否则默认走eng。另一个误解是把语言包丢到任意目录然后抱怨找不到——引擎只认TESSDATA_PREFIX指向的那个目录或者编译时写死的路径。我一般会先确认三件事tesseract --version能不能输出版本号、tesseract --list-langs能不能列出chi_sim、echo $TESSDATA_PREFIXWindows 用echo %TESSDATA_PREFIX%指向哪里。这三条命令是后面所有排错的地基。2.2 各平台安装路径与语言包落位不同系统装法差别不小我按最常见的三种整理成表方便你对照自己的环境。平台引擎安装方式语言包默认目录环境变量Windows运行安装包勾选中文语言安装目录\tessdata安装时自动写入TESSDATA_PREFIXUbuntu/Debianapt install tesseract-ocr/usr/share/tesseract-ocr/4.00/tessdata/一般无需手动设macOSbrew install tesseract/opt/homebrew/share/tessdata/brew 自动处理Windows 上如果安装时没勾中文事后把chi_sim.traineddata复制到tessdata目录也能救回来。Linux 上更推荐用包管理器装语言包比如apt install tesseract-ocr-chi-sim这样版本和引擎匹配省得自己找文件。macOS 用 brew 装完引擎后语言包通常已经包含常用语种缺的话手动下载放进对应目录即可。注意语言包文件名必须严格是chi_sim.traineddata简体或chi_tra.traineddata繁体大小写和拼写错一个字母引擎都认不出来。2.3 验证安装是否真的可用装完别急着写业务代码先用官方自带的一张图跑一遍。Tesseract 安装目录里通常有一张phototest.tif可以直接拿来测。# 查看版本确认引擎装好 tesseract --version # 列出已安装语言确认 chi_sim 在列 tesseract --list-langs # 用英文测试图跑一遍输出到 stdout tesseract phototest.tif stdout # 指定简体中文识别输出到 result.txt tesseract chinese_sample.png result -l chi_sim第一条命令输出里会带 leptonica 版本说明图像处理库也正常。第二条如果只列出eng和osd说明中文包没放对位置。第三条是英文基线测试能出文字说明引擎本身没问题。第四条才是中文验证-l chi_sim是核心参数result是输出文件名会自动加.txt。如果第四条报Error opening data file八成是TESSDATA_PREFIX没指对如果识别出来全是乱码可能是图片分辨率太低或语言包版本和引擎不匹配。这两种情况的处理方式完全不同别混为一谈。3. 命令行跑通之后用 Python 把它接进你的流水线3.1 为什么选 pytesseract 而不是 subprocess命令行能跑通只是第一步真正做批量处理时你需要在代码里调用。最直接的方式是subprocess拼命令但参数一多就容易出错路径里有空格更是灾难。pytesseract是社区维护的 Python 封装把常用参数做成了关键字还能直接返回字符串省去读写临时文件的麻烦。安装很简单pip install pytesseract pillowpytesseract本身不含引擎它只是调用你系统里已经装好的tesseract可执行文件所以第 2 章的安装步骤是前提。Pillow用来打开各种格式的图片比 OpenCV 轻量做 OCR 预处理够用。3.2 最小可运行示例与参数含义下面这段代码是我处理扫描件时的最小骨架包含路径指定、语言选择、页面分割模式三个关键参数。import pytesseract from PIL import Image # Windows 上如果 tesseract 不在 PATH需要显式指定可执行文件路径 # pytesseract.pytesseract.tesseract_cmd rC:\Program Files\Tesseract-OCR\tesseract.exe # 打开图片转灰度能提升识别率 img Image.open(invoice_scan.png).convert(L) # lang 指定简体中文config 里 --psm 6 表示按统一文本块处理 text pytesseract.image_to_string( img, langchi_sim, config--psm 6 -c preserve_interword_spaces1 ) print(text)langchi_sim对应语言包文件名多个语种用加号连接比如chi_simeng适合中英混排的文档。--psm 6是页面分割模式告诉引擎把整张图当成一个均匀的文本块适合排版规整的发票和合同如果是散落的截图文字用--psm 11稀疏文本效果更好。preserve_interword_spaces1保留词间空格中文场景下这个参数影响不大但中英混排时能避免英文单词被粘连。3.3 图像预处理识别率翻倍的关键动作Tesseract 对输入图像质量很敏感直接拿手机拍的歪斜照片去识别结果往往惨不忍睹。我一般会做三步预处理灰度化、二值化、去噪。下面用 OpenCV 演示比 Pillow 的滤镜更可控。import cv2 import numpy as np import pytesseract # 读取图片 img cv2.imread(receipt.jpg) # 转灰度 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 自适应二值化比全局阈值更适合光照不均的扫描件 binary cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, blockSize31, # 邻域大小必须是奇数 C10 # 阈值偏移越大越激进 ) # 中值滤波去椒盐噪声 denoised cv2.medianBlur(binary, 3) text pytesseract.image_to_string(denoised, langchi_sim, config--psm 6) print(text)blockSize31控制局部阈值的计算范围图片分辨率高就调大一般取 25 到 45 之间。C10是偏移量值越大二值化越狠文字笔画细的时候要调小否则容易断笔。medianBlur的核大小取 3 或 5太大会把细笔画也抹掉。预处理不是越多越好我见过有人叠了七八个滤镜结果把文字边缘糊成一团。原则是先看原图问题在哪缺对比度就调对比度有噪声就去噪歪了就做透视校正别盲目套流程。4. 中文识别避坑清单五个我踩过的真实坑4.1 坑一语言包版本和引擎版本不匹配现象tesseract --list-langs能看到chi_sim但识别时报Error: traineddata version mismatch或者输出全是问号。原因Tesseract 4.x 用的是 LSTM 模型3.x 用的是旧版特征模型两者的traineddata格式不兼容。网上很多语言包是 3.x 时代的直接拿来喂 4.x 引擎就会出问题。解决用tesseract --version确认引擎大版本然后去官方 tessdata 仓库下载对应版本的chi_sim.traineddata。Linux 上直接用apt install tesseract-ocr-chi-sim最省事包管理器会自动匹配版本。4.2 坑二TESSDATA_PREFIX 指向了错误的目录现象语言包明明放在tessdata文件夹里命令也加了-l chi_sim还是报Error opening data file。原因TESSDATA_PREFIX环境变量指向了另一个目录或者指向的路径末尾多了/少了斜杠。Windows 上安装多个版本时特别容易发生旧版本的变量没清掉。解决先echo %TESSDATA_PREFIX%Windows或echo $TESSDATA_PREFIXLinux/macOS看当前值然后手动改成语言包实际所在目录。Linux 上如果变量为空引擎会去编译时的默认路径找用tesseract --list-langs反推它到底在哪个目录找。4.3 坑三图片分辨率过低导致中文笔画粘连现象英文识别正常中文一塌糊涂出来的字缺胳膊少腿。原因中文字符笔画密集Tesseract 官方建议输入图像 x 高度至少 30 像素低于这个值笔画会糊在一起。手机截图缩放后经常低于这个阈值。解决识别前把图片放大到 300 DPI 等效尺寸。用 OpenCV 的cv2.resize配合cv2.INTER_CUBIC插值放大 2 到 3 倍再送进引擎。别用最近邻插值会产生锯齿反而更糟。4.4 坑四--psm 参数选错导致整页识别成一行现象一张排版正常的文档识别结果全挤在一行或者只识别出零星几个字。原因默认的--psm 3是自动分页模式对复杂版面判断不准。截图类图片用默认模式经常翻车。解决单栏文档用--psm 6多栏排版用--psm 1自动分页加方向检测零散文字用--psm 11。不确定就多试几个--psm对结果影响比想象中大。4.5 坑五路径含中文或空格导致调用失败现象Python 脚本里pytesseract.image_to_string报FileNotFoundError或返回空字符串。原因pytesseract底层是拼命令行调用Windows 上路径含中文或空格时如果没有正确转义命令会被截断。解决图片路径尽量用英文和短横线或者用pathlib.Path处理后再传入。tesseract_cmd指向可执行文件时路径含空格要用原始字符串rC:\Program Files\...。实在避不开中文路径先把图片复制到临时英文目录再处理。5. 让中文识别再上一个台阶三个进阶技巧5.1 用 user-words 和 pattern 定制专业词汇通用中文语言包对专业术语的识别率一般比如医疗报告里的药名、法律文书里的专有名词。Tesseract 支持通过配置文件注入自定义词表让引擎优先匹配你关心的词。做法是在tessdata/configs/目录下新建一个配置文件比如myconfig内容写user_words_file /path/to/user-words.txt user_patterns_file /path/to/patterns.txtuser-words.txt每行一个词引擎会把这些词加入候选。patterns.txt支持正则式的字符模式适合编号、日期这类有固定格式的内容。调用时用configmyconfig --psm 6加载。这个技巧在批量处理同一类文档时效果明显我处理过一批格式固定的检测报告加了词表后关键字段识别率从七成提到九成以上。5.2 用 image_to_data 拿到每个字的置信度和坐标image_to_string只返回纯文本丢了位置信息。做结构化提取时你需要知道每个字在哪、置信度多少才能过滤掉低质量结果。image_to_data返回一个包含层级、坐标、置信度的字典配合pandas能直接转成表格。import pytesseract from PIL import Image import pandas as pd img Image.open(form.png) data pytesseract.image_to_data( img, langchi_sim, config--psm 6, output_typepytesseract.Output.DATAFRAME ) # 过滤掉置信度低于 60 的结果 confident data[data[conf] 60] # 按行分组还原文本行 lines confident.groupby([block_num, par_num, line_num])[text].apply( lambda x: .join(x.dropna()) ) print(lines.tolist())conf字段是 0 到 100 的置信度低于 60 的基本可以当噪声丢掉。block_num、par_num、line_num三级定位能还原段落结构做表格提取时特别有用。这个接口比纯文本慢一些但换来的是可筛选、可定位的结构化数据值。5.3 批量处理时的并发与内存控制处理几百上千张图时串行跑太慢但无脑开多进程又会把内存吃满。我的做法是用concurrent.futures控制并发数每个进程独立加载一次语言包避免重复初始化开销。from concurrent.futures import ProcessPoolExecutor import pytesseract from PIL import Image from pathlib import Path def ocr_one(path): img Image.open(path).convert(L) return path.name, pytesseract.image_to_string(img, langchi_sim, config--psm 6) if __name__ __main__: files list(Path(scans).glob(*.png)) # 并发数设为 CPU 核心数别超过否则上下文切换反而变慢 with ProcessPoolExecutor(max_workers4) as pool: for name, text in pool.map(ocr_one, files): print(f {name} ) print(text[:200])max_workers设成 CPU 物理核心数比较稳妥设太大内存会爆。每个子进程会各自加载语言包内存占用是单进程的 N 倍处理大图时尤其要注意。如果内存紧张改成ThreadPoolExecutor也能用因为 Tesseract 调用本身释放了 GIL但进程池的隔离性更好一个任务崩了不影响其他。最后说个我自己的习惯每次部署到新机器我一定先跑tesseract --list-langs和一张中文测试图确认这两步过了再写业务代码。这个动作花不了一分钟但能省掉后面半小时的瞎排查。OCR 这活儿玄学的地方不少但把环境这层确定性做扎实剩下的就是调参和预处理的手艺了。希望帮到你。本文还有配套的精品资源点击获取