CentOS 7 安装 Tesseract-OCR4.1 完整指南

一、引言

Tesseract-OCR 是由 Google 主导开发的开源 OCR（光学字符识别）引擎，支持 100 多种语言的文本识别，广泛应用于文档数字化、票据识别等场景。其 4.1 版本在识别精度、多语言支持和性能优化上均有显著提升。本文将详细介绍在 CentOS 7 系统上安装 Tesseract-OCR 4.1 的完整流程，帮助开发者快速构建 OCR 能力。

二、安装前准备

1. 系统环境确认

• 操作系统：CentOS 7.x（需确认内核版本 ≥ 3.10）
• 系统架构：x86_64（推荐）
• 磁盘空间：建议 ≥ 5GB（编译安装需额外空间）

2. 依赖项安装

Tesseract-OCR 4.1 的编译依赖包括：

• 开发工具链：gcc-c++、make、cmake
• 图像处理库：leptonica（核心依赖）
• 其他库：pango、cairo、libtiff、libjpeg

执行以下命令安装依赖：

sudo yum install -y epel-release
sudo yum groupinstall -y "Development Tools"
sudo yum install -y cmake leptonica-devel pango-devel cairo-devel libtiff-devel libjpeg-devel

3. 验证依赖版本

• Leptonica：建议 ≥ 1.74.0（通过 ldconfig -p | grep leptonica 验证）
• CMake：建议 ≥ 3.12（通过 cmake --version 验证）

三、源码编译安装 Tesseract-OCR 4.1

1. 下载源码包

从 GitHub 官方仓库获取最新 4.1 版本源码：

wget https://github.com/tesseract-ocr/tesseract/archive/refs/tags/4.1.0.tar.gz
tar -xzvf 4.1.0.tar.gz
cd tesseract-4.1.0

2. 编译配置

创建构建目录并运行 CMake 配置：

mkdir build && cd build
cmake .. -DCMAKE_INSTALL_PREFIX=/usr/local

关键参数说明：

• -DCMAKE_INSTALL_PREFIX：指定安装路径（默认 /usr/local）
• -DBUILD_TRAINING_TOOLS=ON：启用训练工具（可选）
• -DSW_BUILD=OFF：禁用 Windows 相关代码（Linux 环境下推荐关闭）

3. 编译与安装

执行编译并安装（根据硬件配置，耗时约 10-30 分钟）：

make -j$(nproc)  # 使用多核加速编译
sudo make install

4. 验证安装

检查可执行文件路径及版本：

which tesseract  # 应返回 /usr/local/bin/tesseract
tesseract --version  # 应显示 4.1.0

四、语言数据包安装

Tesseract 默认仅包含英文识别模型，需单独安装其他语言包：

1. 下载语言数据

从官方仓库获取语言包（以中文简体为例）：

wget https://github.com/tesseract-ocr/tessdata/raw/4.1.0/chi_sim.traineddata

2. 放置语言数据

将语言包放入 Tesseract 数据目录：

sudo mkdir -p /usr/local/share/tessdata
sudo mv chi_sim.traineddata /usr/local/share/tessdata/

3. 验证语言支持

tesseract --list-langs  # 应包含 chi_sim

五、环境配置与优化

1. 配置环境变量

编辑 /etc/profile 或用户级 .bashrc，添加：

export TESSDATA_PREFIX=/usr/local/share/

生效配置：

source /etc/profile

2. 性能优化建议

• 多线程识别：通过 -c tessedit_parallel_processes=4 参数启用多线程（根据 CPU 核心数调整）
• 内存优化：对大图像可先缩放再识别（使用 convert 工具预处理）
• 日志控制：添加 -c debug_file=/dev/null 减少日志输出

六、基础使用示例

1. 简单文本识别

tesseract input.png output -l chi_sim
cat output.txt

2. 批量处理脚本

创建 batch_ocr.sh：

#!/bin/bash
INPUT_DIR="images"
OUTPUT_DIR="results"
mkdir -p $OUTPUT_DIR
for img in $INPUT_DIR/*.png; do
    base=$(basename $img .png)
    tesseract "$img" "$OUTPUT_DIR/$base" -l chi_sim
done

赋予执行权限并运行：

chmod +x batch_ocr.sh
./batch_ocr.sh

3. PDF 识别（需结合 pdftoppm）

安装 poppler-utils：

sudo yum install -y poppler-utils

转换 PDF 为图像后识别：

pdftoppm -png input.pdf output -f 1 -l 1
tesseract output-1.png result -l chi_sim

七、常见问题解决

1. 编译错误处理

• 错误：leptonica not found

  • 解决方案：确认 leptonica-devel 已安装，或通过 -DLEPTONICA_DIR 指定路径

• 错误：CMake Error at cmake/FindLeptonica.cmake

  • 解决方案：升级 CMake 至 ≥ 3.12

2. 运行时错误处理

• 错误：Error opening data file

  • 解决方案：检查 TESSDATA_PREFIX 环境变量是否正确

• 错误：Unsupported image format

  • 解决方案：使用 convert 工具转换图像格式（如 PNG 转 TIFF）

八、总结

通过本文的步骤，开发者可在 CentOS 7 系统上成功安装 Tesseract-OCR 4.1，并配置中文等语言支持。实际使用中，建议结合以下实践：

1. 预处理优化：对低质量图像进行二值化、去噪等处理
2. 结果后处理：通过正则表达式修正常见识别错误
3. 性能监控：使用 time 命令评估识别耗时

Tesseract-OCR 的开源特性使其成为企业级 OCR 方案的优选，通过持续优化模型和参数，可进一步提升识别准确率。