Tesseract.js 输出格式优化：默认禁用非文本格式提升性能

在光学字符识别（OCR）领域，Tesseract.js 作为 JavaScript 实现的重要工具，其性能优化一直是开发者关注的焦点。近期项目团队针对输出格式的默认设置进行了重要调整，这一变更将显著提升大多数用户的使用体验。

背景与问题分析

Tesseract.js 默认会生成四种输出格式：纯文本(text)、结构化数据块(blocks)、hOCR格式和TSV格式。经过深入分析发现，这种默认设置存在几个关键问题：

1. 资源浪费：绝大多数用户实际只需要其中一种格式（通常是纯文本），但系统却默认处理所有格式
2. 性能瓶颈：特别是blocks格式的处理，需要遍历每个符号及其候选结果，消耗大量计算资源
3. 极端案例：在某些情况下，blocks格式的处理时间甚至超过了OCR识别本身的时间（12秒 vs 10秒）

技术实现细节

blocks格式处理之所以耗时，是因为它需要：

• 遍历文档中的每个符号节点
• 提取每个符号的所有候选识别结果
• 构建完整的层次结构信息
• 序列化为JSON格式

这种处理方式虽然提供了丰富的结构化数据，但对于只需要文本结果的用户来说完全是多余的。

优化方案与影响

新版本(v6)将做出以下调整：

1. 默认仅启用text格式：作为最常用且处理最快的格式
2. 其他格式需显式指定：用户通过output参数明确声明需要的格式
3. 兼容性考虑：旧版本行为可通过配置恢复

这一变更属于破坏性更新，因此安排在主要版本升级中实施。测试数据显示，优化后典型文档的处理时间可减少0.25-0.5秒，极端情况下甚至能节省超过50%的总处理时间。

开发者建议

对于需要多种格式的用户，建议：

1. 明确指定所需格式组合
2. 评估是否真的需要blocks等资源密集型格式
3. 对于批处理任务，考虑格式选择对总体性能的影响

这一优化体现了软件设计中"按需供给"的原则，通过减少默认行为的资源消耗，使Tesseract.js更适合现代Web应用的高性能要求。