Tesseract OCR 源码编译安装指南：Autotools 与 CMake 双构建系统、训练工具与 tessdata 部署

本文基于 Tesseract 仓库中的 INSTALL.GIT.md 展开，系统讲解从 Git 源码克隆后构建 Tesseract OCR 5.5.x 的完整流程：包括 Autotools（Linux/UNIX/MSYS）与 CMake 两套构建方式的命令序列、编译依赖（Leptonica、Pango、Cairo、ICU）的底层检查逻辑、训练工具的独立构建与安装，以及语言数据 traineddata 向 TESSDATA_PREFIX 目录的部署方法，并补充 ScrollView 图形调试视图（Java 组件）的构建细节。读完后，你可以在任意支持 C++17 的平台上完成从源码到可用 OCR 引擎（含训练工具）的落地部署。

一、构建前准备：依赖与版本前提

INSTALL.GIT.md 开篇给出了三个必须满足的前提，本文结合仓库源码逐一印证：

1. 源码必须来自 Git 克隆：克隆后的仓库不包含生成好的 configure 脚本，必须先生成（见下文 autogen.sh 一节）。
2. 旧版本需先移除：如果系统中已安装 Tesseract 4.0x，在新构建前应将其卸载，避免新旧二进制与 libtesseract 动态库混用。
3. Leptonica 最低版本：Tesseract 4.0x 起要求 Leptonica 1.74.2（当前仓库 VERSION 为 5.5.0，要求不变）。

从源码结构看，构建脚本将 Leptonica 版本下限设为 1.74：configure.ac 中通过 PKG_CHECK_MODULES([LEPTONICA], [lept >= 1.74]) 检查，未找到时会直接报错 Leptonica 1.74 or higher is required. Try to install libleptonica-dev package；CMake 路径同样在 CMakeLists.txt 定义了 MINIMUM_LEPTONICA_VERSION 1.74。此外 README.md 建议安装带 zlib、png、tiff 支持的 Leptonica，以获得完整的输入图像格式（含多页 TIFF）能力。

1.1 训练工具的已知依赖

INSTALL.GIT.md 列出的训练工具编译依赖（不含 Leptonica）为：

• 支持 C++17 的编译器
• automake
• pkg-config
• pango-devel
• cairo-devel
• icu-devel

这些依赖不是"建议项"而是"门槛项"，configure.ac 中的检查逻辑如下：

检查项	源码位置	缺失时的行为
C++17（-std=c++17）	configure.ac	直接终止：Your compiler does not have the necessary C++17 support!
ICU（icu-uc/icu-i18n >= 52.1）	configure.ac	警告并关闭训练工具构建（ENABLE_TRAINING 置 false）
Pango >= 1.38.0	configure.ac	警告并关闭训练工具构建
Cairo	configure.ac	警告并关闭训练工具构建

也就是说，缺少 Pango/Cairo/ICU 时核心 OCR 引擎仍可以正常编译，但 make training 会退化为提示 Need to reconfigure project, so there are no errors（见 Makefile.am 中的 else 分支）。若你的目标是完整构建 LSTM 语言模型训练链（lstmtraining、combine_tessdata 等），务必先安装齐 pango-devel、cairo-devel、icu-devel。

二、Autotools 构建流程（LINUX/UNIX、MSYS）

2.1 生成 configure 脚本：autogen.sh

从 GitHub 克隆 Tesseract 后，第一步必须运行 ./autogen.sh 生成 configure 脚本。查看 autogen.sh 源码可知它依次执行五步 autotools 流程：

./autogen.sh
# 内部顺序：
# 1. aclocal -I config            # 生成 aclocal.m4
# 2. libtoolize -f -c && libtoolize --automake
# 3. aclocal -I config（第二次，因 libtoolize 新增了 m4 文件）
#    autoconf                     # 生成 configure
# 4. autoheader -f               # 生成 config.h.in
# 5. automake --add-missing --copy --warnings=all

两个实用的实现细节：

• 脚本会优先使用 libtoolize，找不到时回退到 glibtoolize（常见于 macOS 的 automake 环境），两者都缺失则报错退出；
• autoconf 生成后会检查 configure 中是否包含 PKG_CHECK_MODULES，若不含说明系统缺少 pkg-config，脚本会删除残缺的 configure 并提示 Missing pkg-config. Check the build requirements——这解释了为何依赖列表中 pkg-config 是硬性要求。

2.2 标准构建与安装序列

INSTALL.GIT.md 给出的完整命令序列为：

./autogen.sh
./configure
make
sudo make install
sudo ldconfig
make training
sudo make training-install

各步骤含义：

1. ./configure：探测编译器、Leptonica、可选库（libarchive、libcurl、TIFF）、SIMD 指令集（AVX/AVX2/AVX512F/FMA/SSE4.1/NEON/RVV），并生成分目录的 Makefile。末尾会打印后续操作提示，包括训练工具的构建方式（configure.ac）。
2. make：编译 libtesseract 动态库与 tesseract 命令行程序。从源码结构看，库由 Makefile.am 组织为多个子库（libtesseract_ccutil.la、libtesseract_lstm.la、libtesseract_native.la 及各 SIMD 变体库）再聚合链接。
3. sudo make install：安装二进制、共享库、公共头文件（baseapi.h、capi.h、renderer.h 等，见 Makefile.am 的 pkginclude_HEADERS）及 pkgconfig 文件 tesseract.pc。
4. sudo ldconfig：刷新动态库缓存，使新安装的 libtesseract 可被其他程序链接。
5. make training 与 sudo make training-install：单独构建并安装训练工具集（下一节详述）。

2.3 常用 configure 选项

./configure --help 可列出全部选项，结合 configure.ac 源码，与部署最相关的有：

选项	作用	源码依据
--prefix=PATH	安装前缀，默认 /usr/local	configure.ac
--disable-legacy	关闭传统 OCR 引擎，减小体积（同时减少训练工具数量）	configure.ac
--disable-graphics	关闭 ScrollView 图形调试视图	configure.ac
--disable-tessdata-prefix	不在编译期写入 TESSDATA_PREFIX 默认值	configure.ac
--disable-float32	LSTM 计算使用 double 而非 float	configure.ac
--enable-debug	打开调试编译（-g -DDEBUG，GCC 用 -Og，Clang 用 -O0）	configure.ac
--with-curl / --with-archive	启用 libcurl（URL 图像输入）/ libarchive（压缩模型文件）	configure.ac
--with-extra-includes=DIR / --with-extra-libraries=DIR	追加头文件/库搜索目录	configure.ac

三、构建与安装训练工具（make training）

Tesseract 的命令行 OCR 引擎之外，仓库还附带一整套语言模型训练工具，源码位于 src/training/。Makefile.am 定义了 trainingtools 变量，默认启用 Legacy 引擎时的完整清单为：

工具	源码入口	用途概要
lstmtraining	src/training/lstmtraining.cpp	LSTM 网络训练主程序
lstmeval	src/training/lstmeval.cpp	用训练好的模型评估数据
combine_lang_model	src/training/combine_lang_model.cpp	合并各语言模型组件
combine_tessdata	src/training/combine_tessdata.cpp	打包生成最终 .traineddata
unicharset_extractor	src/training/unicharset_extractor.cpp	从标注文本提取字符集
set_unicharset_properties	src/training/set_unicharset_properties.cpp	设置字符属性（方向、大小等）
text2image	src/training/text2image.cpp	用 Pango/Cairo 渲染文本图像
wordlist2dawg / dawg2wordlist	src/training/wordlist2dawg.cpp、src/training/dawg2wordlist.cpp	词表与 DAWG 互转
merge_unicharsets	src/training/merge_unicharsets.cpp	合并多个 unicharset
mftraining、shapeclustering、cntraining、classifier_tester、ambiguous_words	对应同名 .cpp	Legacy 引擎训练链（--disable-legacy 时不构建）

安装目标见 Makefile.am：training-install 会将上述工具以 libtool --mode=install 方式装入 $(bindir)。对应的手页文档源文件（如 doc/lstmtraining.1.asc、doc/combine_lang_model.1.asc）在 asciidoc 环境下随 make install 生成 man 页。

四、部署语言数据：TESSDATA_PREFIX 与 traineddata

4.1 最低可用数据

INSTALL.GIT.md 明确要求：至少安装 English（eng） 和 OSD 两个 traineddata 文件到 TESSDATA_PREFIX 目录。这是引擎能运行的最低数据配置：OSD 模型支撑方向与布局检测，eng 提供基础语言识别能力。

从源码结构看，TESSDATA_PREFIX 的默认值是在编译期写入的：Makefile.am 中对 libtesseract_ccutil.la 注入 -DTESSDATA_PREFIX='"@datadir@"'（即安装前缀下的 share/tessdata）。因此自编译安装后，数据文件应放入 $prefix/share/tessdata/；也可以在运行时通过 tesseract --tessdata-dir 参数或 TESSDATA_PREFIX 环境变量覆盖该默认值。

4.2 获取数据文件的两种方式

• 单文件下载：用 wget、curl、GitHub 下载器或浏览器直接抓取所需的 eng.traineddata、osd.traineddata，是最省事的方式。
• 整库克隆（仅打包者适用）：仓库中注明 tessdata 全量仓库体积超过 1.2 GB，且没有必要下载所有语言，此方式只适合分发打包场景：

git clone https://github.com/tesseract-ocr/tessdata.git tesseract-ocr.tessdata

4.3 内置配置文件随源码安装

除 .traineddata 外，仓库自带 tessdata/configs/（如 pdf、hocr、tsv、alto、quiet 等输出格式配置）与 tessdata/tessconfigs/（如 batch、nobatch、segdemo）。Autotools 路径经 tessdata/Makefile 安装，CMake 路径则在 CMakeLists.txt 中由 INSTALL_CONFIGS 选项（默认 ON）控制安装到 $(dataroot)/tessdata/configs 与 tessconfigs 目录。这些文件正是 tesseract img out pdf 中第三参数字典的来源。

五、构建 ScrollView.jar 图形调试视图

Tesseract 的命令行程序可弹出 Java 图形视图逐行调试识别结果，其 Java 组件源码在 java/com/google/scrollview/。INSTALL.GIT.md 指出：编译 ScrollView.jar 需要联网与 curl，因为构建过程会自动从 Maven 仓库下载三个依赖 jar 并放入 tesseract/java 目录：

• piccolo2d-core-3.0.1.jar
• piccolo2d-extras-3.0.1.jar
• jaxb-api-2.3.1.jar

查看 java/Makefile.am 可确认这一机制：fetch-jars 目标用三条 curl -sSLO 命令拉取上述 jar。完整流程：

make ScrollView.jar     # 编译 Java 类并打包 jar（自动 fetch 依赖）
make install-jars       # 将三个依赖 jar + ScrollView.jar 装入 $(datadir)/tessdata

Makefile.am 将顶层的 ScrollView.jar 目标委派到 java 子目录执行；install-jars 装入后会提示设置环境变量 SCROLLVIEW_PATH 指向 $(datadir)/tessdata（见 java/Makefile.am）。注意若 configure 时用了 --disable-graphics，该目标不存在（对应 configure.ac 的 GRAPHICS_DISABLED 条件）。jar 就位后，即可按官方文档的 Viewer Debugging 流程用 tesseract 弹出图形视图检查每行识别。

六、CMake 备选构建系统

INSTALL.GIT.md 指出仓库提供跨平台的 CMake 构建作为替代方案。Linux 下三步即可：

mkdir build
cd build && cmake .. && make
sudo make install

CMake 侧的关键事实（对照 CMakeLists.txt）：

• 最低 CMake 版本 3.10（CMakeLists.txt），且禁止源码内构建——在源码目录直接运行 cmake . 会触发 FATAL_ERROR 并给出 mkdir build && cd build && cmake .. 的提示（CMakeLists.txt）。
• Leptonica 通过 find_package(Leptonica 1.74 CONFIG) 或 pkg-config 回退方式查找，找不到即 FATAL_ERROR 终止（CMakeLists.txt）。
• 未指定构建类型时默认 Release（CMakeLists.txt）。
• 可选开关与 Autotools 选项语义对应，常用者包括：

CMake 选项	默认值	说明
BUILD_TRAINING_TOOLS	ON	构建训练工具（对应 autotools 的 make training，源码子目录 src/training/CMakeLists.txt）
GRAPHICS_DISABLED	OFF	关闭 ScrollView（对应 --disable-graphics）
DISABLED_LEGACY_ENGINE	OFF	关闭 Legacy 引擎，会从库中剔除对应源文件（CMakeLists.txt）
FAST_FLOAT	ON	LSTM 使用 float（对应 --disable-float32 的反向）
ENABLE_NATIVE	OFF	加 -march=native 优化本机 CPU（可能牺牲跨机器兼容性）
ENABLE_LTO	OFF	链接期优化
USE_SYSTEM_ICU	OFF	训练工具使用系统 ICU
BUILD_TESTS	OFF	构建 googletest 单元测试（unittest/）
DISABLE_TIFF / DISABLE_ARCHIVE / DISABLE_CURL	OFF	关闭对应可选库

Windows 平台 CMake 构建的细节（Visual Studio 生成器等）INSTALL.GIT.md 指引读者查阅官方 tessdoc 文档，本文不展开；另注意 CMake 在 Windows 下默认开启 SW_BUILD（依赖 SW 包管理器，见 CMakeLists.txt），普通 VS 构建应显式 -DSW_BUILD=OFF。

七、小结：一条可复现的部署路径

综合 INSTALL.GIT.md 与源码实现，从 Git 源码得到一个可运行、可训练的 Tesseract 5.5.x 的推荐路径为：

1. 安装依赖：C++17 编译器、automake、pkg-config、libtool、Leptonica（>=1.74）及 libleptonica 开发包；如需训练工具再加 pango-devel、cairo-devel、icu-devel；
2. ./autogen.sh && ./configure（按需加 --prefix、--disable-graphics 等）；
3. make && sudo make install && sudo ldconfig 安装核心引擎；
4. 需要训练能力时 make training && sudo make training-install；
5. 下载 eng.traineddata 与 osd.traineddata 放入 TESSDATA_PREFIX（默认 $prefix/share/tessdata）；
6. 需要图形调试视图时 make ScrollView.jar && make install-jars 并设置 SCROLLVIEW_PATH；
7. Windows/跨平台场景改用 mkdir build && cd build && cmake .. && make。

排查构建问题时，优先阅读 config.log（configure 产生的编译器探测日志），并对照 configure.ac 中对应检查的告警信息定位缺失的依赖包。