Tesseract.js使用纯js实现的OCR文字识别

Tesseract.js 介绍

Tesseract.js是一个javascript库，可以从图像中获取几乎任何语言的单词。

最新Tesseract v5.1.0版本需要Node.js v14或更高版本。

官网：Tesseract
npm：Tesseract

官网案例

缺点：

• 只支持图片，不支持word、pdf等格式文件识别。
• 识别率差强人意（可能是我哪里没配好）。

好，下面我们进入主题。

首先安装插件

npm install tesseract.js tesseract.js-core

配置CDN

• 两个文件
• 两个语言模型

为什么要配置自己的CDN呢，因为根据Tesseract.js的案例测试时，案例获取js资源是从npm的CDN中获取，而我的网络时常不稳定，导致获取不到文件报错。所以我干脆把文件下载下来，搭建自己的CDN。

另外使用create-react-app搭建项目，可以将tesseractJS放在public中，效果是一样的。

下载文件

1、从node_modules目录的tesseract.js-core中获取tesseract-core-simd.wasm.js。

2、从node_modules目录的tesseract.js/dist 中获取worker.min.js。

也可以直接下载
worker.min.js、
tesseract-core-simd.wasm.js。

下载语言包

打开语言模型
官网
，可以看到支持的语言有很多。

我们需要两个
英文(eng.traineddata.gz)、
中文(chi_sim.traineddata.gz)

ok，将获取到的文件放到Nginx服务器中

创建根目录tesseractJS，放入worker.min.js、tesseract-core-simd.wasm.js。

在tesseractJS中新建文件夹lang-data放入eng.traineddata.gz、chi_sim.traineddata.gz。

核心代码

import { createWorker } from 'tesseract.js';

componentDidMount(){
    this.onDiscern();
}
async onDiscern() {
        const worker = await createWorker(['chi_sim','eng'], 1, {
            legacyCore: true,
            legacyLang: true,
            gzip: true,
            workerPath: "http://xxx.xxx.xxx.xxx:3000/tesseractJS/worker.min.js",
            corePath: "http://xxx.xxx.xxx.xxx:3000/tesseractJS/tesseract-core-simd.wasm.js",
            langPath: "http://xxx.xxx.xxx.xxx:3000/attachment/cdn/tesseractJS/lang-data",
            cacheMethod: "write",
        });
        const url = "https://tesseract.projectnaptha.com/img/eng_bw.png"
        const res = await worker.recognize(url);
        console.log("res.data.text")
        
        await worker.terminate();
    }
    

识别目标

识别效果

哈哈，识别率不到百分之五十~

很奇怪，官方案例识别率是很高的。

结束语

如果有能人发现是我配置有问题，谢谢指出问题。

另外官网文档在npm下载的包里就有哦。不用费劲去找了，网上案例很少。

路径在：node_modulestesseract.jsdocs，里边都有介绍API参数的。