【无套路自取】Tesseract 中文识别一堆乱码?chi-sim.traineddata 三步装好简体中文语言包

原创2026-11-02 21:37:201,899 阅读
文章标签:OCR

【无套路自取】Tesseract 中文识别一堆乱码?chi-sim.traineddata 三步装好简体中文语言包

扫描件、截图里的中文,丢给 Tesseract 跑一遍,出来的全是错字或空白?多半不是代码的锅,而是缺语言包。这个仓库里放了一份 Tesseract 简体中文语言包 chi_sim.traineddata(约 44MB),放进 tessdata 目录,识别时加 -l chi_sim 就能用。下面按「拿文件 → 放对位置 → 验证」的顺序走一遍,全程不超过十分钟。

动手前先确认两件事 🧭

Tesseract 版本:先跑一下 tesseract --version。这份 traineddata 面向 Tesseract 4.x / 5.x,老版本(3.x 及更早)可能直接报读不了数据文件。如果版本偏低,先升级引擎再装包,比反复试错快。

tessdata 目录在哪:语言包要放进引擎自己的 tessdata 目录,不同系统位置不一样:

  • Windows:C:\Program Files\Tesseract-OCR\tessdata
  • Linux:/usr/share/tesseract-ocr/4.00/tessdata(Ubuntu 系常见位置)

目录不存在就手动建一个;建错位置是最常见的翻车点。想快速确认引擎到底认哪个目录,可以跑 tesseract --list-langs——如果它找不到 tessdata,报错信息里会带上实际查找的路径。

三步跑通:下载、放置、验证

  1. 拿文件。仓库根目录的 chi_sim中文语言包.zip 里就是现成的 chi_sim.traineddata,下载后解压即可。不方便下载的话也可以克隆仓库:git clone https://gitcode.com/open-source-toolkit/90e2f,文件在仓库根目录。
  2. 放文件。把 chi_sim.traineddata 复制到上一步确认的 tessdata 目录里。文件名必须一字不差地保持 chi_sim.traineddata——改成一个字,-l chi_sim 都会找不到它。如果你之前放过旧版本,建议先备份原文件再覆盖,方便回滚。
  3. 验证。找一张含中文的清晰图片,跑 tesseract 图片.jpg output -l chi_sim,然后看 output.txt。能看到正常的简体中文输出,说明整条链路通了;顺便对比一下不加 -l 参数的结果,差异会非常明显。

排坑:这三种情况最常见 🛠

如果你遇到 "Error opening data file ... tessdata/chi_sim.traineddata":引擎没找到语言包。九成是文件不在 tessdata 目录里,或文件名被改了。按上面第 2 步核对一次路径和文件名即可。

如果你遇到 "Could not open or read" 之类的数据文件报错:文件位置没问题,多半是 Tesseract 版本太旧,读不懂新版 traineddata 的格式。升级 Tesseract 到 4.x 或 5.x 再试。

如果识别出来的中文混着繁体、或者漏字严重:先检查原图。chi_sim 针对简体中文调优,识别繁体扫描文档时效果会打折扣;另外低分辨率、倾斜严重的扫描件也会明显拉低准确率,先做图像预处理(放大、摆正)再识别。

这个语言包适合谁

适合正在做简体中文扫描件、票据、文档批量识别,或者要把 OCR 接进自动化流水线的开发者和运维——拿到就能用,不折腾编译。后续如果语言包有更新或修复,关注本仓库的更新记录即可,README.md 里也有基础用法说明,遇到更细的问题可以对照查阅。

登录后查看全文
Tesseract最新中文语言包chi-sim.traineddata