如何用Tesseract.js实现超简单的JavaScript OCR文本识别？完整指南

Tesseract.js是一个纯JavaScript OCR（光学字符识别）库，支持超过100种语言，可在浏览器和Node.js环境中运行，能够轻松从图像中提取文本内容。本文将带你快速掌握这个强大工具的安装配置与实用技巧，让文本识别变得前所未有的简单！

📌 为什么选择Tesseract.js？核心优势解析

Tesseract.js基于流行的Tesseract OCR引擎开发，通过WebAssembly技术实现了高性能的文本识别能力。无论是前端浏览器还是后端Node.js环境，都能稳定运行，无需复杂的系统依赖配置。

特别值得一提的是，它支持自动文本方向检测和多语言识别，还能通过多工作线程提升处理速度。项目文档完善，提供了丰富的示例代码，即使是OCR新手也能快速上手。

Tesseract.js实时文本识别过程演示，展示从图像提取文字的完整流程

🚀 快速安装指南：3步搞定环境配置

1️⃣ 准备工作

确保你的系统已安装Node.js（建议v14或更高版本）。如果尚未安装，可以通过官方渠道下载并安装。

2️⃣ 获取项目代码

通过以下命令克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/te/tesseract.js
cd tesseract.js

3️⃣ 安装依赖

使用npm或yarn安装项目所需依赖：

npm install
# 或者
yarn install

💻 基础使用教程：5分钟实现文本识别

简单识别示例

创建一个Node.js文件，添加以下代码即可实现基本的文本识别功能：

const { createWorker } = require('tesseract.js');

const worker = await createWorker('eng');

(async () => {
  const { data: { text } } = await worker.recognize('tests/assets/images/testocr.png');
  console.log(text);
  await worker.terminate();
})();

运行代码后，Tesseract.js会识别指定图像中的文本并输出结果。这个简单的示例展示了Tesseract.js的核心功能——只需几行代码就能完成从图像到文本的转换。

带进度日志的识别

如果需要查看识别过程的详细进度，可以添加日志参数：

const { createWorker } = require('tesseract.js');

const worker = await createWorker('eng', 1, {
  logger: m => console.log(m), // 添加日志输出
});

(async () => {
  const { data: { text } } = await worker.recognize('tests/assets/images/testocr.png');
  console.log(text);
  await worker.terminate();
})();

🌍 多语言识别：轻松处理100+种语言文本

Tesseract.js支持超过100种语言的识别，只需在创建工作线程时指定语言代码即可。例如，要识别中英文混合文本：

const { createWorker } = require('tesseract.js');

const worker = await createWorker(['eng', 'chi_sim']); // 英文+简体中文

(async () => {
  const { data: { text } } = await worker.recognize('tests/assets/images/chinese.png');
  console.log(text);
  await worker.terminate();
})();

语言代码定义在src/constants/languages.js文件中，你可以查看该文件获取完整的语言支持列表。

⚡ 高级技巧：提升识别效率与准确性

字符白名单设置

如果只需识别特定类型的字符（如数字），可以设置字符白名单：

const { createWorker } = require('tesseract.js');

const worker = await createWorker('eng');

(async () => {
  await worker.setParameters({
    tessedit_char_whitelist: '0123456789', // 只识别数字
  });
  const { data: { text } } = await worker.recognize('tests/assets/images/bill.png');
  console.log(text);
  await worker.terminate();
})();

使用多工作线程加速

对于大量图像识别任务，可以创建多个工作线程并行处理，显著提高效率：

const { createWorker, createScheduler } = require('tesseract.js');

const scheduler = createScheduler();
const worker1 = await createWorker('eng');
const worker2 = await createWorker('eng');

(async () => {
  scheduler.addWorker(worker1);
  scheduler.addWorker(worker2);
  
  // 添加多个识别任务
  const results = await Promise.all([
    scheduler.addJob('recognize', 'tests/assets/images/testocr.png'),
    scheduler.addJob('recognize', 'tests/assets/images/tyger.jpg')
  ]);
  
  console.log(results.map(r => r.data.text));
  await scheduler.terminate();
})();

局部图像识别

如果只需识别图像中的特定区域，可以指定识别范围：

const { createWorker } = require('tesseract.js');

const worker = await createWorker('eng');
const rectangle = { left: 0, top: 0, width: 500, height: 250 }; // 定义识别区域

(async () => {
  const { data: { text } } = await worker.recognize('tests/assets/images/testocr.png', { rectangle });
  console.log(text);
  await worker.terminate();
})();

📄 输出PDF文件

Tesseract.js还支持将识别结果输出为PDF文件。相关示例可以在examples/browser/download-pdf.html（浏览器端）和examples/node/download-pdf.js（Node.js端）中找到。

📚 更多资源与文档

• 完整API文档：docs/api.md
• 常见问题解答：docs/faq.md
• 性能优化指南：docs/performance.md
• 支持的图像格式：docs/image-format.md

通过本文的介绍，你已经掌握了Tesseract.js的基本使用方法和高级技巧。无论是构建扫描文档的文本提取工具，还是开发图像内容分析应用，Tesseract.js都能为你提供强大的OCR支持。现在就动手尝试，体验JavaScript文本识别的魅力吧！