# 扫描件要先抽出文字，Tesseract 官方怎么开始识别？

**URL:** <https://www.shiqidu.com/t/topic/2134>\
**Category:** 开发调优\
**Tags:** Linux, 编程, 设计, 问与答, 开源软件\
**Created:** [2026 年11 月 17 日 13:39 UTC](https://www.shiqidu.com/t/topic/2134 "2026-11-17T13:39:49Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

作者： ![shiqidu\_editor](https://www.shiqidu.com/user_avatar/www.shiqidu.com/shiqidu_editor/32/528_2.png) [@shiqidu\_editor](https://www.shiqidu.com/u/shiqidu_editor)\
发布日期： [2026 年11 月 17 日 13:39 UTC](https://www.shiqidu.com/t/topic/2134/1 "2026-11-17T13:39:49Z")

</div>

扫描件或截图里的字要先抽出来。想按 Tesseract 官方手册把程序装上，并做第一次识别。这不是改尺寸或批量加工图像的问题。站内这篇 [一批图片要统一缩放，ImageMagick 官方怎么写出第一条命令？](https://www.shiqidu.com/t/topic/2101) 处理的是怎么改图。下文只谈把字认出来。

手册入口是 [Tesseract User Manual](https://tesseract-ocr.github.io/tessdoc/)，开篇写这份说明面向 Tesseract 5.x。更早的 4.x.x、3.05.02 及更旧的版本，页上另外指向旧版文档，这里只看 5.x 这一份。它把自己写成一套开源的文字识别（OCR）引擎，授权是 Apache 2.0，可以在命令行直接调用，编程时也可以走 API，从图像中抽出印刷体，并支持多种语言。第 5 代被标成目前的稳定系列，起始发布是 2021 年 11 月 30 日的 5.0.0。更新的次版本和修复版可以从 GitHub 获取，最新源码在仓库的 main 分支。手册还写到，Tesseract 4.0 起加入了基于 LSTM 神经网络的识别引擎，在 x86/Linux 上配合官方语言模型，可用语种多于 100，脚本数目则在 35 以上。5.x 继续使用与 4.0.0 相同的那些 language model traineddata。它没有内置图形界面，若需要窗口程序，得另找第三方，那些外围项目这里不展开。

安装和第一次运行的说明，在手册链出去的 [Installation.html](https://tesseract-ocr.github.io/tessdoc/Installation.html)。打开后，浏览器标签里的标题仍是 Introduction。正文在一段简介之后，接着才出现 Installation、Running Tesseract 这些章节，所以它仍是装软件和初次识别要用的那一章。引用时按页上这个 Introduction 名称来叫即可。

Installation 这一节写明，要装的是两块：引擎本身，以及各语言的 traineddata。不少 Linux 发行版的仓库里直接就有，包名一般是 `tesseract` 或 `tesseract-ocr`。语言数据包的命名是 `tesseract-ocr-langcode`。脚本包则写成 `tesseract-ocr-script-scriptcode`。langcode 是三字母。scriptcode 则是四字母。页上的例子包括 `tesseract-ocr-eng`（English）、`tesseract-ocr-ara`（Arabic）、`tesseract-ocr-chi-sim`（Simplified Chinese），以及 `tesseract-ocr-script-latn`、`tesseract-ocr-script-deva`。Ubuntu 上给出的命令是：

```auto
sudo apt install tesseract-ocr
sudo apt install libtesseract-dev

```

若 `apt` 找不到包，页上提醒检查 sources.list 里有没有包含 universe。同一节还列出了 Debian、Fedora、openSUSE、macOS 的 MacPorts 与 Homebrew，以及 Windows 安装包入口。那些下载链接这里不另写，按你所用的系统回到这一节对照即可。macOS 上，官方分别给了 MacPorts 的 `sudo port install tesseract`，以及 Homebrew 的 `brew install tesseract`。语言包在 MacPorts 里是 `sudo port install tesseract-<langcode>`。Windows 一节写，3.05、4 和 5 的安装程序可从 Tesseract at UB Mannheim 获取，带训练工具，并同时提供 32 位和 64 位。若要在任意位置调用可执行文件，也许还要把二进制所在目录加入 Path，页上举的例子是 `C:\Program Files\Tesseract-OCR`。发行版自带的语言包通常够第一次使用。只有在试验 OCR Engine modes、又需要软件源里没有的训练数据时，文档才让你从 GitHub 取出 `.traineddata`，解包后拷进 `tessdata` 目录，可能的路径包括 `/usr/share/tesseract-ocr/tessdata`、`/usr/share/tessdata` 或 `/usr/share/tesseract-ocr/4.00/tessdata`。这一段被标成 “FOR EXPERTS ONLY.”，入门可以先不管它。

装好后，同一页的 Running Tesseract 把程序写成命令行工具，所以要先打开终端。在 Windows 上则是 Command Prompt。基本形式是：

```auto
tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

```

文档给的第一次演示，是对名为 `myscan.png` 的图像做识别，并把结果存成 `out.txt`：

```auto
tesseract myscan.png out

```

注意第二个参数是基名 `out`，默认成品就是 `out.txt`。若要换语言包，加上 `-l`，例如德语写成 `tesseract myscan.png out -l deu`。也可以一次组合多种 traineddata，英语和德语一起用则写成 `-l eng+deu`。页上还提到 hOCR 模式（会写出带词语坐标的特殊 HTML，供后续据此还原版面），以及在 3.03 及以上版本里直接出可检索 PDF：`tesseract myscan.png out pdf`。第一次把字抽出来，前面这条只带输入和基名的命令就够了。更细的开关，页上指向 Tesseract 的手册页。同一页后部的 Other Languages 还写到，它已经为许多语言准备过模型，也可再针对新的文字系统做训练。细节指向 TrainingTesseract，那些步骤超出第一次识别，这里不展开。

对一张扫描件跑完 `tesseract myscan.png out` 之后，`out.txt` 里的字对得上原图吗？
