tesseract <input_image> <output_base> [options...]

# 最简单的用法 — 识别英文，输出到文件
tesseract image.png output
cat output.txt

# 直接输出到终端
tesseract image.png stdout

# 指定语言
tesseract image.png output -l chi_sim

# 多语言
tesseract image.png output -l chi_sim+eng

# 从 URL 识别（先下载再识别）
curl -s https://example.com/image.png -o temp.png
tesseract temp.png stdout
rm temp.png

# 查看所有 PSM 模式
tesseract --help-psm

# 默认模式（PSM 3）
tesseract image.png output

# 单行文本
tesseract line.png output --psm 7

# 单个词
tesseract word.png output --psm 8

# 稀疏文本（如照片中的文字）
tesseract photo.png output --psm 11

# 扫描件（单列）
tesseract scan.png output --psm 4

# 表格
tesseract table.png output --psm 6

# 查看可用引擎模式
tesseract --help-oem

# 使用 LSTM 引擎（推荐）
tesseract image.png output --oem 1

# 使用旧引擎（Tesseract 4.x）
tesseract image.png output --oem 0

# 自动选择
tesseract image.png output --oem 3

# 输出纯文本
tesseract image.png output
cat output.txt

# 输出 hOCR 格式（含位置信息）
tesseract image.png output hocr
cat output.hocr

# hOCR 结构示例
# <div class='ocr_page' id='page_1' ...>
#   <div class='ocr_carea' id='block_1_1' ...>
#     <span class='ocr_line' id='line_1_1' ...>
#       <span class='ocrx_word' id='word_1_1' ...>Hello</span>
#       <span class='ocrx_word' id='word_1_2' ...>World</span>
#     </span>
#   </div>
# </div>

# 输出 TSV 格式（含置信度）
tesseract image.png output tsv

# 查看 TSV 输出
tesseract image.png stdout tsv | head -20

# 过滤高置信度结果
tesseract image.png stdout tsv | awk -F'\t' '$12 > 80 {print $12, $13}'

# 输出可搜索 PDF
tesseract image.png output pdf

# 多页 PDF
tesseract page1.png page2.png output pdf

# PDF + 文本层
tesseract image.png output pdf --pdf

# 输出 ALTO XML 格式
tesseract image.png output alto

# 单语言
tesseract image.png output -l eng
tesseract image.png output -l chi_sim

# 多语言组合（用 + 连接）
tesseract image.png output -l chi_sim+eng
tesseract image.png output -l chi_sim+chi_tra+eng

# 使用 OSD 检测脚本类型
tesseract image.png stdout --psm 0

# 输出示例：
# Page number: 0
# Orientation in degrees: 0
# Rotate: 0
# Orientation confidence: 3.94
# Script: Han
# Script confidence: 2.28

# 不同格式示例
tesseract image.png stdout
tesseract photo.jpg stdout
tesseract scan.tiff stdout
tesseract raw.bmp stdout

# 多页 TIFF
tesseract multipage.tiff output

# 多个图片文件
tesseract page1.png page2.png page3.png output

# Tesseract 配置文件位于 tessdata/configs/
ls /usr/share/tesseract-ocr/5/tessdata/configs/

# 使用配置文件
tesseract image.png output hocr

# 自定义配置文件
# 创建 myconfig
echo '--psm 6' > /usr/share/tesseract-ocr/5/tessdata/configs/myconfig
echo '-c tessedit_char_whitelist=0123456789' >> /usr/share/tesseract-ocr/5/tessdata/configs/myconfig
tesseract image.png output myconfig

# 字符白名单（只识别指定字符）
tesseract image.png output -c tessedit_char_whitelist=0123456789

# 字符黑名单（不识别指定字符）
tesseract image.png output -c tessedit_char_blacklist=|[]

# 设置最小置信度
tesseract image.png output -c tessedit_min_confidence=50

# 调试模式
tesseract image.png output -c tessedit_write_images=true

#!/bin/bash
# batch_ocr.sh - 批量处理图片

INPUT_DIR="./images"
OUTPUT_DIR="./output"
LANG="chi_sim+eng"

mkdir -p "$OUTPUT_DIR"

for img in "$INPUT_DIR"/*.{png,jpg,tiff}; do
    if [ -f "$img" ]; then
        filename=$(basename "$img" | sed 's/\.[^.]*$//')
        echo "Processing: $img"
        tesseract "$img" "$OUTPUT_DIR/$filename" -l "$LANG" --psm 6
    fi
done

echo "Done! Results in $OUTPUT_DIR/"

# 并行处理（4 个进程）
find ./images -name "*.png" | xargs -P 4 -I {} bash -c '
    filename=$(basename "{}" .png)
    tesseract "{}" "./output/$filename" -l chi_sim+eng
'

# 安装 parallel
sudo apt install parallel

# 并行处理
find ./images -name "*.png" | parallel -j 4 '
    filename=$(basename {.} .png)
    tesseract {} ./output/$filename -l chi_sim+eng
'

# 检查图片分辨率
identify image.png    # ImageMagick
file image.png

# 调整分辨率到 300 DPI
convert image.png -density 300 output.png

# 放大小图
convert small.png -resize 200% large.png

# === 基础识别 ===
tesseract image.png stdout                          # 输出到终端
tesseract image.png output                          # 输出到文件
tesseract image.png output -l chi_sim+eng           # 指定语言

# === 页面分割 ===
tesseract image.png output --psm 3                  # 全自动（默认）
tesseract image.png output --psm 6                  # 统一文本块
tesseract image.png output --psm 7                  # 单行
tesseract image.png output --psm 11                 # 稀疏文本

# === 输出格式 ===
tesseract image.png output hocr                     # hOCR
tesseract image.png output tsv                      # TSV
tesseract image.png output pdf                      # 可搜索 PDF
tesseract image.png output alto                     # ALTO XML

# === 参数调优 ===
tesseract image.png output -c tessedit_char_whitelist=0123456789  # 数字白名单
tesseract image.png output -c tessedit_write_images=true         # 写出调试图像

# === 信息查询 ===
tesseract --version                                 # 版本信息
tesseract --list-langs                              # 可用语言
tesseract --help                                    # 帮助信息
tesseract --help-psm                                # PSM 说明
tesseract --help-oem                                # OEM 说明