tesseract-ocr/tesseract

Tesseract 是最老牌的开源 OCR 引擎，最初由 HP 在 1985 年开发，后来长期由 Google 维护，如今是文档识别领域的事实标准之一，很多商业 OCR 产品底层都用了它。它能把图片里的文字提取出来，支持 100 多种语言，能处理 PNG、JPEG、TIFF 等常见格式，输出纯文本、PDF、hOCR、TSV 等多种格式；4.x 起加入了基于 LSTM 神经网络的识别引擎，识别准确率明显提升，同时保留了旧版字符模式识别以兼容老场景。典型用途包括批量扫描件转文本、发票和合同的信息抽取、古籍数字化、字幕提取等。它不带图形界面，主要以库和命令行形式集成到应用里。如果你在做文档数字化、数据抓取或 RAG 数据清洗，需要一个可离线部署、可训练自定义语言的 OCR 组件，Tesseract 值得认真评估；但如果你只是偶尔识别一两张图，直接用现成的云服务或桌面工具更省事，这个项目和多数从业者关系不大。

Star 趋势

话题标签

仓库信息