Tesseract OCR：74k Star 的老牌开源 OCR 引擎

Tesseract 是 GitHub 上 Star 数最高的 OCR 项目之一，7.4 万 Star，维护了快 40 年。从 1985 年惠普实验室起步，到 2005 年开源，再到 Google 接手开发，最后交回社区维护。这条时间线本身就是开源社区协作的一个标本。

一百多种语言，一个命令行搞定

Tesseract 的核心能力是文字识别。给定一张图片，它能提取里面的文字内容，支持超过 100 种语言，UTF-8 编码，从中文到阿拉伯文都能处理。输入格式覆盖 PNG、JPEG、TIFF 等常见图片类型，输出可以是纯文本、hOCR、PDF、TSV、ALTO 等多种格式。

引擎本身经历了两次大迭代。Tesseract 3 基于字符模式匹配，Tesseract 4 引入了 LSTM 神经网络引擎，专注行识别，识别准确率提升明显。当前稳定版是 5.x，两个引擎可以切换使用，旧版引擎兼容老项目的 traineddata 文件。

Tesseract 是一个命令行工具加一个 C/C++ 库（libtesseract）。没有图形界面，官方也不打算做。桌面端和移动端的 GUI 由第三方项目补齐，Python、Java、Node.js 等语言的 binding 也都有社区维护。

为什么 40 年了还在更新

技术层面很简单：OCR 是一个真实存在且持续的需求，而 Tesseract 把这个需求解决到了可用的程度。它不完美，扫描件、多栏排版、模糊图片的识别效果一般，但日常文档、截图、票据等场景足够用。

社区层面也值得说一句。Tesseract 的开发历史上经历了三次组织交接：HP 实验室、Google、社区维护。每一次都没有断档。目前由 Stefan Weil 主导开发，代码基于 Apache 2.0 协议开源，依赖 Leptonica 做图像预处理。

上手有多快

安装方式有两种：预编译包和源码编译。Linux 和 macOS 用包管理器直接装，Windows 有预编译的 exe。源码编译需要 C++17 编译器，依赖 Leptonica 库。

命令行用法一行就能跑：

tesseract image.png output -l eng

指定语言、OCR 引擎模式、页面分割模式都有参数控制。项目的文档站覆盖了安装、命令参数、训练自定义语言数据、提高识别质量等话题，FAQ 也比较全。

遇到问题先看 FAQ 和文档，再搜 Google Groups 的邮件列表。Issue 只收 bug，提问在论坛解决。

谁适合用

做文档数字化、票据识别、验证码破解、扫描件文字提取的开发者会最直接受益。libtesseract 的 API 足够简单，嵌到自己的项目里不费劲。

如果你需要的是一个开箱即用的 OCR 桌面软件，Tesseract 本身不提供这个。但它背后有一整个第三方工具生态，从跨平台 GUI 到移动端 SDK，覆盖了大部分终端需求。

7.4 万 Star 摆在那里，说明几十万开发者已经验证过它。对于 OCR 这个细分领域，Tesseract 的地位短期内不会被替代。

已经验证过它。对于 OCR 这个细分领域，Tesseract 的地位短期内不会被替代。