BishengJDK MiniCPM-V 生态外的 OCR 新选择：Tesseract.js — 浏览器端开源 OCR 引擎

fossil · 2026-09-27 11:00:17 · 20 次点击 · 0 条评论

npm
jsDelivr hits (npm)

Tesseract.js 是一个 JavaScript 库，可从图像中识别出几乎所有语言的文字。（在线演示）

图像识别

视频实时识别

Tesseract.js 可在浏览器中通过 webpack、ESM 或配合 CDN 的普通 script 标签使用，也可在服务端通过 Node.js 使用。
安装之后，使用起来非常简单：

import { createWorker } from 'tesseract.js';

(async () => {
  const worker = await createWorker('eng');
  const ret = await worker.recognize('https://tesseract.projectnaptha.com/img/eng_bw.png');
  console.log(ret.data.text);
  await worker.terminate();
})();

识别多张图像时，用户应只创建一个 worker，对每张图像运行 worker.recognize，最后运行一次 worker.terminate()（而不是对每张图像都执行上面的代码片段）。

安装

Tesseract.js 可通过本地副本或 CDN 的 <script> 标签使用，也可通过 npm 配合 webpack 使用，或在 Node.js 中通过 npm/yarn 使用。

CDN

<!-- v5 -->
<script src='https://cdn.jsdelivr.net/npm/tesseract.js@5/dist/tesseract.min.js'></script>

引入脚本后，Tesseract 变量将全局可用，可通过 Tesseract.createWorker 创建 worker。

此外，ESM 构建版本（用于 import 语法）位于 https://cdn.jsdelivr.net/npm/tesseract.js@5/dist/tesseract.esm.min.js。

Node.js

Tesseract.js v7 需要 Node.js v16 或更高版本。（Tesseract.js v6 需要 Node.js v14 或更高版本。）

# 最新版本
npm install tesseract.js
yarn add tesseract.js

# 旧版本
npm install tesseract.js@3.0.3
yarn add tesseract.js@3.0.3

项目范围

Tesseract.js 旨在将 Tesseract OCR 引擎（一个独立项目）引入浏览器和 Node.js，其工作原理是封装 Tesseract 的 WebAssembly 移植版。本项目不修改 Tesseract 核心功能。尤其要注意的是，Tesseract.js 不支持 PDF 文件，也不会修改 Tesseract 识别模型来提高准确率。

如果你的项目需要超出此范围的功能，可以考虑 Scribe.js 库。Scribe.js 是一个替代库，用于满足本仓库范围之外的常见功能需求。Scribe.js 包含对 Tesseract 识别模型的改进，并支持从 PDF 文档中提取文本等功能。更多信息请参阅 Scribe.js 与 Tesseract.js 对比。

文档

社区项目与示例

以下是社区使用 Tesseract.js 构建的示例和项目。官方支持的示例位于 examples 目录中。

项目
Scribe OCR：用于扫描文档（图像和 PDF）的 Web 应用
- 网站：scribeocr.com，仓库：github.com/scribeocr/scribeocr
Chrome 扩展程序（Manifest V3）：https://github.com/Tshetrim/Image-To-Text-OCR-extension-for-ChatGPT
示例
将 PDF 转换为文本：https://github.com/racosa/pdf2text-ocr
使用 blocks 输出生成细粒度数据 [单词/符号级别]：https://github.com/Kishlay-notabot/tesseract-bbox-examples
Electron：https://github.com/Balearica/tesseract.js-electron
TypeScript：https://github.com/Balearica/tesseract.js-typescript

如果你有使用 Tesseract.js 的项目或示例仓库，欢迎通过 pull request 将其添加到本列表。提交的示例应有良好的文档说明，以便新用户能够运行；项目应可正常运行并得到积极维护。

v6 的主要变更

版本 6 的变更记录在此 issue 中。重点如下。
- 修复了之前版本中的内存泄漏问题
- 整体降低了运行时间和内存占用
- 破坏性变更：
- 除 text 之外的所有输出格式默认被禁用。
- 例如，要重新启用 hocr 输出，请设置：worker.recognize(image, {}, { hocr: true })
- 对 JavaScript 对象（blocks）输出结构的细微调整
- 完整列表请参见此 issue

v5 的主要变更

版本 5 的变更记录在此 issue 中。重点如下。

默认文件显著减小（英文减小 54%，中文减小 73%）
- 这使得首次使用的用户（尚未缓存文件）运行时间减少约 50%
显著降低内存占用
破坏性变更：
- createWorker 参数发生变化
- 设置非默认语言和 OEM 现在在 createWorker 中进行
  - 例如 createWorker("chi_sim", 1)
- 应从代码中删除 worker.initialize 和 worker.loadLanguage 函数
- 完整列表请参见此 issue

从 v2 升级到 v5？请参阅本指南。

v4 的主要变更

版本 4 包含许多新功能和错误修复——完整列表请参见此 issue。以下是一些重点。

新增旋转预处理选项（包括自动旋转），可显著提高准确率
现在可以获取处理后的图像（旋转、灰度、二值化）
改进了对并行处理（scheduler）的支持
破坏性变更：
createWorker 现在是异步的
getPDF 函数被 pdf 识别选项取代

贡献

开发

要运行 Tesseract.js 的开发副本，请执行以下操作：

# 首先克隆仓库
git clone https://github.com/naptha/tesseract.js.git
cd tesseract.js

# 然后安装依赖
npm install

# 最后启动开发服务器
npm start

开发服务器将在你喜欢的浏览器中通过 http://localhost:3000/examples/browser/basic-efficient.html 访问。
当你修改 src 文件夹中的文件时，它会自动重新构建 tesseract.min.js 和 worker.min.js。