tesseract.js 实现多语言的文字识别
简介
Tesseract.js 是一个 JavaScript 库，可以从图像中获取文字。
OCR 光学字符识别
optical character recognition
安装
npm install tesseract.js --save
我的node版本是 v12.16.2
安装的 tesseract.js 版本是
"tesseract.js": "^4.1.1"
引入
import Tesseract from 'tesseract.js';
使用Tesseract.js执行OCR
先看一下官网的例子
使用 Tesseract.js 执行OCR
Tesseract.recognize(
"https://tesseract.projectnaptha.com/img/eng_bw.png", // 识别图片
"eng",
{ logger: (info) => console.log(info) } // 可选参数，用于输出调试信息
).then(({ data: { text } }) => {
console.log("OCR结果");
console.log(text);
})
.catch((error) => {
console.error("OCR出现错误:", error);
});
tesseract.projectnaptha.com/img/eng_bw.…
官网给出的英文图片链接。
图片很清晰，文字也很整齐。
控制台打印，识别出来的文字：
Mild Splendour of the various-vested Night!
Mother of wildly-working visions! haill
I watch thy gliding, while with watery light
Thy weak eye glimmers through a fleecy veil;
And when thou lovest thy pale orb to shroud
Behind the gather’d blackness lost on high;
And when thou dartest from the wind-rent cloud
Thy placid lightning o’er the awaken’d sky.
识别度挺高，可以说是 100% 的准确率。
谷歌翻译一下，这段话的意思：
温和灿烂的各种归属之夜！
疯狂工作的幻象之母！
欢呼吧，我看着你滑翔，而你微弱的眼睛透过蓬松的面纱闪闪发光；
当你喜欢你苍白的球体笼罩在高处消失的聚集的黑暗之后；
当你从风中腾空而起时，你平静的闪电划过苏醒的天空。
我又谷歌了一下，这是英国诗人柯尔律治的《To the Autumnal Moon》致秋月。
我自己写一个 demo 上传图片，进行识别，测试一下。
那么，如何识别英文呢？选择中文语言包，即可。
tesseract-ocr.github.io/tessdoc/Dat…
设置识别语言为英文 eng
你可以根据需要更改为其他语言代码，例如中文为 chi_sim
多语言识别，通过 + 连接，例如中英文识别为 "eng+chi_sim"
然后，我自己写一个 demo 上传中文图片，进行中文识别，测试一下。
纯文字识别，居然还错了一个字。
再试一个合同文件，Tesseract.js 识别率，在纯文字，排版规则的情况下，还行。
李清照的《如梦令》图片加文字
结果，惨不忍睹。好好的一首诗，成了这样：
《 如 梦 仁 》
李 清 照
昨 夜 雨 差 风 骤 , 浓 睡 不 消 残 酒 。
试 问 卷 宜 人 , 即 道 海 棠 侯 旧 。
知 否 ? 知 吾 ? 应 是 绶 肥 红 瘦 。
几乎让人忘记了原版。附上原版：
《如梦令》
李 清 照
昨夜雨疏风骤，浓睡不消残酒。
试问卷帘人，却道海棠依旧。
知否，知否？应是绿肥红瘦。
最后的话
以上，如果对你有用的话，不妨点赞收藏关注一下，谢谢 🙏
😊 微信公众号: OrzR3
💖 不定期更新一些技术类，生活类，读书类的文章。