OCRmyPDF与Tesseract 5.4.0兼容性问题解析

近期OCRmyPDF用户在使用Tesseract 5.4.0版本时遇到了严重的兼容性问题，表现为进程崩溃并抛出SubprocessOutputError异常。本文将从技术角度分析该问题的成因、影响范围及解决方案。

问题现象

当用户升级至Tesseract 5.4.0后，OCRmyPDF在执行OCR处理时会突然终止，错误日志显示进程收到SIGFPE信号（浮点异常）。典型报错表现为subprocess.CalledProcessError，提示Tesseract子进程异常退出。

根本原因

该问题源于Tesseract 5.4.0版本在传统引擎（legacy engine）实现中的缺陷，特别是在处理页面方向检测（OSD）时触发了浮点运算错误。由于OCRmyPDF默认依赖osd.traineddata进行页面方向识别，而该训练数据目前仅支持传统引擎模式，导致兼容性问题集中爆发。

影响范围

• 仅影响Tesseract 5.4.0版本
• 涉及所有需要执行页面方向检测的PDF处理场景
• 使用tessdata_fast模型且不启用OSD功能的场景可规避

解决方案

1. 推荐方案：升级至Tesseract 5.4.1版本，该版本已修复相关缺陷
2. 临时方案：
   • 降级至Tesseract 5.3.4稳定版本
   • 在OCRmyPDF参数中指定--tesseract-oem 1强制使用LSTM引擎（但会失去方向检测功能）
3. 配置方案：使用tessdata_fast模型库替换默认模型（需注意OSD功能限制）

技术启示

1. 开源组件升级时需注意版本兼容性矩阵
2. 混合使用新旧引擎时需进行充分测试
3. 生产环境中建议采用版本锁定策略

OCRmyPDF开发团队已在16.4.0版本中增加了对Tesseract 5.4.0的版本检测机制，当检测到问题版本时会主动拒绝执行，避免用户陷入不可用状态。建议用户保持软件栈的及时更新，以获得最佳稳定性和功能支持。