Tesseract

Tesseract 是一个开源的光学字符识别（OCR）引擎，最初由 HP 开发，如今由 Google 与社区贡献者共同维护。它以命令行程序和库（libtesseract）两种形式发布，既支持较新的、基于 LSTM 神经网络的识别引擎（自 Tesseract 4 起为默认引擎），也为兼容性保留了 Tesseract 3 中基于模式匹配的旧引擎。

它支持 PNG、JPEG、TIFF 等常见图片格式，凭借对 Unicode/UTF-8 的支持，开箱即可识别 100 多种语言的文字，并能输出纯文本、可搜索 PDF、hOCR、TSV 等多种结构化格式——不过与任何 OCR 引擎一样，识别结果的质量在很大程度上取决于输入图片的质量。

Tesseract 适合那些需要从扫描文档、拍摄的表单或图片中提取文字、并将其纳入数据管道的团队——例如纸质文档数字化、为扫描档案建立索引，或将文字输入 LLM/RAG 管道；它与目录中的 PDF.js 形成互补：PDF.js 渲染和解析的是已经包含文本层的 PDF，而不是从像素中识别文字。