Tesseractjs 前端OCR识别提取图像文本字符工具 支持 100+ 种语言

Tesseract.js 简介

Tesseract.js 是一个基于 Tesseract OCR 引擎的开源 JavaScript 库，用于在浏览器和 Node.js 环境中执行光学字符识别 (OCR)。它的特点是无需依赖服务器端支持，完全在客户端执行 OCR 操作。

Tesseract.js GitHub地址：https://github.com/naptha/tesseract.js#tesseractjs

Tesseract.js 主要特性

跨平台支持：

可以在浏览器和 Node.js 中运行。 支持现代浏览器，包括 Chrome、Firefox、Safari 等。

多语言支持：

默认支持 100 多种语言。 允许加载不同的语言数据（如中文、英文等）。

高性能：

使用 WebAssembly (WASM) 技术实现高效的计算。 支持多线程处理，利用 worker 加速 OCR 过程。

易用性：

提供简单易懂的 API 接口。 能够提取图片中的文字，支持图片预处理（如旋转、二值化）。

Tesseract.js 基本用法

使用 npm 安装

npm install tesseract.js

示例代码

const Tesseract = require('tesseract.js');

// 识别图片中的文本
Tesseract.recognize(
  'path/to/image.png', // 图片路径
  'eng',              // 语言代码
  {
    logger: info => console.log(info), // 可选：日志输出
  }
).then(({ data: { text } }) => {
  console.log('识别的文本:', text);
}).catch(error => {
  console.error('OCR 失败:', error);
});

Tesseract.js 主要功能

识别图片中的文字

支持从图片中提取文字，可处理多种格式（如 PNG、JPEG、GIF），支持语言模型自定义。可加载自定义语言包（如繁体中文）。自定义训练数据可提升特定场景的识别精度。

进度和日志

提供进度日志，方便开发者监控 OCR 处理状态。

输出格式

返回多种结果形式（纯文本、每个字符的位置信息等）。

Tesseract.js 应用场景

文本提取：扫描文档、图片、名片等。 数据分析：从票据、表格、账单中提取结构化数据。 多语言处理：从多语言图片或文档中识别文字。

限制和注意事项

性能消耗：OCR 是一个计算密集型任务，可能会在低性能设备上表现不佳。图片的分辨率和质量会显著影响识别准确性。 依赖的语言数据：使用时需要加载语言包，如果未正确加载会导致识别失败。 复杂场景支持：对于复杂布局或手写文字的识别，可能需要预处理或其他工具配合。

Tesseract.js 是前端或 Node.js 环境中执行 OCR 的一种强大解决方案，适合需要无服务端依赖的轻量级应用场景。你可以在 Tesseract.js 官方文档 中找到更多详细信息。