Tesseract OCR CLI
Tesseract OCR — CLI для сканов с несколькими языками: оператор выбирает языковые данные и сравнивает результат на странице.
- 77 377 ★ репозитория
- Последний коммит
- Apache-2.0
Расширенный доступ
Почему такой уровень
- CLI читает изображения и сохраняет распознанный текст или документы на диске.
Установка
Ручная установка
Открой https://tesseract-ocr.github.io/tessdoc/Installation.html и выбери пакет для этой ОС. Покажи нужные языковые данные. Распознай одну копию изображения по синтаксису README, сохрани результат под новым именем и сравни его с оригиналом.
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- CLI читает изображения и сохраняет распознанный текст или документы на диске.
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
Tesseract OCR — CLI для извлечения текста из изображений PNG, JPEG и TIFF. Пользователь передает файл, выбирает язык и получает распознанный текст либо документ с текстовым слоем. В состав проекта входят команда `tesseract` и библиотека, но графического приложения в нем нет. Для страниц с несколькими языками можно указать несколько наборов данных. Пользователь выбирает режим сегментации, то есть способ разделения страницы на текстовые области. TSV, hOCR, ALTO и PAGE сохраняют структуру результата для последующей обработки.
Для кого. Специалистам по документальным архивам, которые распознают изображения страниц и передают текст в поиск или обработку данных.
Подходит, если
- В архиве есть сканы в TIFF, и оператор готовит текстовую версию.
- Аналитик получает TSV с данными распознавания для дальнейшего разбора.
- Редактор создает PDF с текстовым слоем из изображения страницы.
- На одной странице смешаны языки, и оператор выбирает языковые файлы `traineddata` для каждого из них.
Не подходит, если
- Пользователь хочет передать PDF напрямую как входной файл этого движка.
- Сотруднику нужен готовый настольный интерфейс для просмотра и правки страниц.
- Процесс требует понять смысл таблицы или диаграммы без дополнительного анализа результата.
Пример запроса к агенту
Распознай копию скана Tesseract, сохрани текст отдельно и покажи фрагмент для сверки с изображением.Ограничения
Для выбранного языка нужны соответствующие файлы `traineddata`; режим старого движка требует совместимых данных из tessdata. Входные PDF библиотека Leptonica не открывает: перед распознаванием понадобятся изображения страниц. Качество зависит от исходного изображения: перед OCR, распознаванием текста, страницы иногда надо подготовить. Графический интерфейс в поставку не входит; для просмотра и исправления текста надо выбрать редактор или отдельную оболочку.
Как отключить. Остановите `tesseract` и уберите вызовы из конвейера. Выходные документы сохранятся; при удалении программы отдельно решите, нужны ли установленные языковые данные.
Частые вопросы
Как установить программу и языки?
Выберите готовый пакет для своей ОС на https://tesseract-ocr.github.io/tessdoc/Installation.html и установите данные нужных языков. После установки начните с одной страницы; самостоятельная сборка нужна только при выборе этого способа.
Как распознать одно изображение?
В руководстве дано `tesseract imagename outputbase`. Замените `imagename` путем к изображению и выберите новое имя результата; по умолчанию используется английский язык и текстовый вывод.
Как указать язык?
Ключ `-l LANG` принимает трехбуквенный код. Пример `tesseract images/eurotext.png - -l eng` выводит английский текст в терминал; сначала установите нужный traineddata.
Можно ли распознавать два языка?
Да. Пример `tesseract images/eurotext.png - -l eng+deu` объединяет английский и немецкий. Порядок языков может менять результат, поэтому сравните его на пробной странице.
Где искать данные языков?
Руководство указывает каталог `tessdata` и переменную `TESSDATA_PREFIX`. Сопоставьте расположение установленного traineddata с настройкой пути до повторного запуска.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
CLI-инструментыDocling — CLI для смешанного архива: PDF, документы и таблицы можно привести к общему формату для поиска и ИИ.
MinerU — CLI с библиотекой документов: уже разобранный отчет можно искать и читать повторно из локального кеша.
Скиллы PaddleOCR
PaddleOCR Agent Skills
Два официальных скилла PaddleOCR: распознавание текста с картинок и PDF и разбор сложных документов в Markdown
Движок извлечения текста, таблиц и метаданных из PDF, офисных файлов и сканов: плагин для агентов, MCP-сервер и CLI
Локальный CLI извлекает текст из документов и сканов, ищет материалы в архивах и готовит данные для ответа агента.
MCP PDF для больших документов: агент ищет по смыслу и по ключевым словам в одном файле или папке и читает только нужные страницы, таблицы и сканы
Коротко о README
В проекте есть нейросетевой и старый движки, языковые данные и поддержка нескольких форматов изображений. Установка идет через готовые пакеты или сборку. Для программной интеграции есть C/C++ API.