</>IT技术学习 · CodeTrail
NODEJS 4 分钟 1,638 字

Tesseract.js 实现强大的光学字符识别功能

0阅读

使用 Tesseract.js 实现离线OCR文字识别功能

将图像中的文本内容快速提取并转换为可编辑的文本格式，已成为许多开发者和企业的重要需求。无论是处理文档扫描件、图片中的文字信息，还是从复杂的图像中提取关键数据，光学字符识别（OCR）技术都扮演着至关重要的角色。Tesseract.js 是一个基于 Tesseract OCR 引擎的 JavaScript 库，它为开发者提供了一种在浏览器或 Node.js 环境中轻松实现 OCR 功能的方法。本文将详细介绍 Tesseract.js 的作用、使用方法以及如何在实际项目中应用它。

Tesseract.js 的作用

Tesseract.js 是一个开源的 JavaScript 库，它封装了 Tesseract OCR 引擎，使得开发者可以在浏览器或 Node.js 环境中方便地进行光学字符识别。Tesseract OCR 是一个非常强大的开源 OCR 引擎，支持多种语言的文字识别，包括中文、英文、日文等。Tesseract.js 通过 WebAssembly 技术，将 Tesseract OCR 引擎编译为可以在浏览器中运行的 WebAssembly 模块，从而实现了在纯 JavaScript 环境中使用 OCR 功能。

主要功能

  1. 多语言支持 Tesseract.js 支持多种语言的文字识别。在初始化时，可以通过指定语言代码来选择需要识别的语言。例如，chi_sim 表示简体中文，eng 表示英文。你还可以同时指定多种语言，如 chi_sim+eng，以支持包含多种语言的图片识别。

  2. 灵活的配置选项 Tesseract.js 提供了丰富的配置选项，允许开发者根据具体需求调整识别过程。例如，你可以设置日志输出、指定识别区域、调整识别精度等。

  3. 异步识别 Tesseract.js 的识别过程是异步的，这使得它可以在不阻塞主线程的情况下进行复杂的图像处理和文本识别。这对于在浏览器环境中处理大量图片或高分辨率图片时尤为重要，可以避免页面卡顿。

  4. 易于集成 Tesseract.js 提供了简洁的 API，使得它非常容易集成到现有的项目中。无论是前端项目还是后端项目，都可以通过简单的代码调用实现 OCR 功能。

安装与使用

安装

在 Node.js 环境中，可以通过 npm 安装 Tesseract.js：

npm install tesseract.js

在浏览器环境中，可以通过 CDN 或直接下载文件的方式引入 Tesseract.js。

基本使用

以下是一个简单的示例，展示如何使用 Tesseract.js 在 Node.js 环境中识别图片中的文本：

const Tesseract = require('tesseract.js');

// 识别图片中的文本
Tesseract.recognize(
    '1.png',            // 图片路径
    'chi_sim+eng',      // 语言代码
    {
        logger: info => console.log(info), // 可选：日志输出
    }
).then(({ data: { text } }) => {
    console.log('识别的文本:', text);
}).catch(error => {
    console.error('OCR 失败:', error);
});

代码解析

  1. 引入库 首先，通过 require 函数引入 Tesseract.js 库。

  2. 调用 recognize 方法 使用 Tesseract.recognize 方法来启动识别过程。该方法接受三个参数：

    • 图片路径：指定需要识别的图片文件路径。
    • 语言代码：指定识别的语言。可以是单个语言代码，也可以是多个语言代码的组合，用加号 + 分隔。
    • 配置选项：一个对象，用于配置识别过程。例如，logger 属性可以设置一个日志输出函数，用于跟踪识别进度。

  3. 处理结果 recognize 方法返回一个 Promise 对象。通过 .then 方法可以获取识别结果，其中 data.text 包含了识别后的文本内容。如果识别过程中发生错误，可以通过 .catch 方法捕获并处理错误。

相关推荐