一款让OCR识别正确率趋近100%的库

程序员老鱼

发布于 2022-12-02 11:21:11

2.4K0

发布于 2022-12-02 11:21:11

文章被收录于专栏：前端实验室

大家好，我是前端实验室的大师兄！

今天大师兄给大家分享一个开源的 OCR 识别库：Tesseract.js。

从此可以摆脱某些 OCR API 的调用次数限制问题了。

前言

Tesseract.js 一个纯Javascript编程语言的 ocr 识别库，简单实用。

支持包括中英文等100多中语言的图片和视频文字识别，底层封装了Tesseract OCR引擎来实现。

实时OCR:

安装

Tesseract.js 已经迭代了很多版本了。它可以在在 html 页面上通过 script 标签引入CDN 外链使用

<!-- v2 -->
<script src='https://unpkg.com/tesseract.js@v2.1.0/dist/tesseract.min.js'></script>

<!-- v1 -->
<script src='https://unpkg.com/tesseract.js@1.0.19/src/index.js'></script>

或者在 Node.js 中使用

# For v3
npm install tesseract.js
yarn add tesseract.js

# For v2
npm install tesseract.js@2
yarn add tesseract.js@2

这里要注意下环境问题：Tesseract.js v3 要求 Node.js 的版本在 v14 及以上才行。

使用

安装后，使用就非常简单了。

import Tesseract from 'tesseract.js';

Tesseract.recognize(
  'https://xxx/img/eng_bw.png',
  'eng',
  { logger: m => console.log(m) }
).then(({ data: { text } }) => {
  console.log(text);
})

或者更加命令式编程的方式。

import { createWorker } from 'tesseract.js';

const worker = createWorker({
  logger: m => console.log(m)
});

(async () => {
  await worker.load();
  await worker.loadLanguage('eng');
  await worker.initialize('eng');
  const { data: { text } } = await worker.recognize('https://xxx/img/eng_bw.png');
  console.log(text);
  await worker.terminate();
})();

使用命令式编程的好处就是自定义去构建一个 worker，实现一些简单配置，如语言配置、训练数据词库等。