Tesseract OCR: Engine Nhận Dạng Văn Bản Mã Nguồn Mở
/tesseract
Tesseract OCR là chương trình dòng lệnh và thư viện C/C++ để trích văn bản ra khỏi ảnh, phát hành theo Apache-2.0, gốc từ Hewlett-Packard thập niên 1980. Nó chạy engine LSTM song song với engine so khớp mẫu ký tự cũ của Tesseract 3, chọn theo lần chạy. Hãy dùng nó khi bạn muốn nhúng một engine OCR vào pipeline riêng mà không cần gọi mạng; bỏ qua nếu bạn cần một ứng dụng desktop hoàn chỉnh, vì dự án này không có GUI.
Tìm Hiểu Về Engine Tesseract OCR
Tesseract OCR là hệ thống nhận dạng ký tự quang học mã nguồn mở, phân phối dưới hai dạng: libtesseract, một thư viện C/C++, và tesseract, chương trình dòng lệnh. Phiên bản 4 đưa vào một engine LSTM dựa trên mạng neural, tập trung nhận dạng theo dòng, trong khi engine so khớp mẫu ký tự cũ từ phiên bản 3 vẫn hoạt động, chọn được bằng --oem 0. Nó đọc văn bản Unicode ở hơn 100 ngôn ngữ qua file traineddata, không có giao diện đồ hoạ.
Các Tính Năng Cốt Lõi Của Tesseract OCR
- ✓Engine nhận dạng dựa trên LSTM ra mắt từ Tesseract 4, tập trung vào nhận dạng theo dòng, chọn được song song với engine so khớp mẫu ký tự cũ của Tesseract 3 qua cờ --oem.
- ✓Xuất văn bản dạng Unicode (UTF-8).
- ✓Nhận dạng hơn 100 ngôn ngữ ngay khi cài đặt, theo README, bằng các file traineddata riêng như những file trong repository tessdata.
- ✓Đọc được PNG, JPEG, và TIFF trong số các định dạng ảnh mà nó chấp nhận làm đầu vào.
- ✓Xuất ra văn bản thuần, hOCR (HTML), PDF, PDF chỉ chứa văn bản ẩn, TSV, ALTO, và định dạng PAGE.
- ✓Một API C và C++ (capi.h, baseapi.h) trong libtesseract để nhúng OCR trực tiếp vào ứng dụng, cùng các wrapper của bên thứ ba cho ngôn ngữ khác được liệt kê trong tài liệu AddOns.
- ✓Có thể được huấn luyện để nhận dạng thêm ngôn ngữ ngoài những ngôn ngữ có sẵn, theo tài liệu Tesseract Training.
- ✓Tài liệu tham chiếu do Doxygen sinh ra, đăng tại tesseract-ocr.github.io.
Cài Đặt Tesseract OCR
README không liệt kê lệnh cài đặt trực tiếp; nó dẫn tới hai hướng đi khác nhau. Bạn có thể cài một gói nhị phân dựng sẵn, hoặc build Tesseract từ mã nguồn sau khi kiểm tra trình biên dịch của mình có trong danh sách trình biên dịch được hỗ trợ của dự án hay không. Tên gói cụ thể và các cờ build không nằm trong dữ kiện được ghi ở đây, nên hãy coi các trang Installation và Compiling được dẫn tới là nguồn chính xác cho nền tảng của bạn. Tesseract cũng phụ thuộc vào thư viện Leptonica, cấp phép theo BSD 2-clause, để mở các định dạng ảnh đầu vào mà nó đọc; README gợi ý build Leptonica kèm hỗ trợ zlib, PNG, và TIFF.
Chạy Tesseract Từ Dòng Lệnh
Cú pháp là `tesseract <image> <outputbase> [-l <lang>] [--oem <mode>] [--psm <mode>] [config files...]`. Đường dẫn ảnh và tên file output là tham số vị trí, `-l` chọn ngôn ngữ nhận dạng, `--oem` chọn engine (cũ hoặc LSTM), còn `--psm` đặt chế độ phân đoạn trang. Chạy `tesseract --help` hoặc `man tesseract` để xem đầy đủ các tuỳ chọn. Bản thân README không đưa ví dụ minh hoạ nào ngoài việc dẫn tới trang tài liệu dùng dòng lệnh của chính nó.
Điểm mạnh
- ✓Giấy phép Apache-2.0, cởi mở và rõ ràng cho việc sử dụng thương mại.
- ✓Cả engine so khớp mẫu ký tự cũ lẫn engine nhận dạng theo dòng dựa trên LSTM mới hơn đều nằm trong cùng một bản build, chọn được qua --oem.
- ✓Đầu ra không chỉ giới hạn ở văn bản thuần: hOCR, PDF (kể cả PDF chỉ chứa văn bản ẩn), TSV, ALTO, và PAGE đều có sẵn, hữu ích khi bạn cần dữ liệu vị trí thay vì một khối văn bản.
- ✓Nhận dạng hơn 100 ngôn ngữ ngay khi cài đặt, theo README, với tuỳ chọn huấn luyện thêm.
- ✓Một API C và C++ cho phép nhúng OCR trực tiếp vào ứng dụng thay vì gọi ra CLI.
Những Điều Cần Lưu Ý Khi Dùng Tesseract
- △Không có GUI đi kèm: README nói rõ dự án này không xuất xưởng một ứng dụng đồ hoạ, nên bạn cần một giao diện của bên thứ ba hoặc tự viết wrapper riêng.
- △Chất lượng đầu ra phụ thuộc nhiều vào chất lượng đầu vào: README nói bạn thường cần cải thiện ảnh trước, nghĩa là engine không tự bù đắp cho ảnh scan nhiễu.
- △Muốn nhận dạng thêm ngôn ngữ, hay dùng tốt engine cũ, đều cần tải các file traineddata riêng, một bước phụ mà bản build không tự lo cho bạn.
- △Các bước cài đặt không được nêu trực tiếp trong README; nó dẫn tới hai tài liệu bên ngoài riêng cho bản nhị phân và build từ mã nguồn, nên không có lệnh cụ thể trong phần dữ kiện ở đây.
- △Leptonica, một phụ thuộc bắt buộc, mở được các định dạng ảnh nhưng không mở định dạng tài liệu như PDF làm đầu vào, theo README.
Các Giải Pháp OCR Khác
Câu Hỏi Thường Gặp
Có. Tesseract OCR được phát hành theo giấy phép Apache License, phiên bản 2.0, một giấy phép cởi mở cho phép sử dụng thương mại mà không cần trả phí bản quyền.
Tesseract OCR nhận dạng hơn 100 ngôn ngữ ngay khi cài đặt, theo README của nó, xuất văn bản dạng Unicode (UTF-8) và dùng file traineddata riêng cho từng ngôn ngữ.
Có. Tesseract OCR có thể được huấn luyện để nhận dạng thêm ngôn ngữ ngoài những ngôn ngữ có sẵn, theo tài liệu Tesseract Training của dự án.
Không. README của Tesseract OCR nói rõ dự án này không đi kèm ứng dụng GUI, và dẫn người đọc tới các dự án bên thứ ba nếu cần một giao diện như vậy.
Tesseract OCR hỗ trợ nhiều định dạng ảnh khác nhau bao gồm PNG, JPEG, và TIFF, theo README của nó.
Tesseract OCR phụ thuộc vào thư viện Leptonica để mở ảnh đầu vào, và README gợi ý build Leptonica kèm hỗ trợ zlib, PNG, và TIFF.
Vấn đề Tesseract OCR giải quyết
Biến một trang scan hay một tấm ảnh chụp hoá đơn thành văn bản máy đọc được thường có nghĩa là bạn phải tự viết code nhận dạng, hoặc gửi ảnh tới một API được host và trả tiền theo từng lượt gọi. Tesseract OCR giải quyết việc đó bằng cách cung cấp libtesseract, một thư viện C/C++ có thể liên kết trực tiếp, cùng với chương trình dòng lệnh tesseract chạy tại chỗ, để một pipeline gọi OCR giống như gọi bất kỳ hàm thư viện nào khác, không phụ thuộc mạng và không tính phí theo từng ảnh.
Trường hợp sử dụng tốt nhất
- •Trích văn bản từ tài liệu scan hoặc trang chụp ảnh bên trong một pipeline backend qua API C/C++ của libtesseract, không cần gọi tới một dịch vụ OCR bên ngoài.
- •Chuyển hàng loạt một thư mục ảnh thành văn bản có thể tìm kiếm, hOCR, hoặc PDF từ một shell script dùng CLI tesseract.
- •Nhận dạng văn bản ở một trong hơn 100 ngôn ngữ Tesseract hỗ trợ sẵn, hoặc huấn luyện nó cho một ngôn ngữ chưa được hỗ trợ.
- •Đưa kết quả OCR dạng TSV hoặc ALTO/PAGE XML vào một hệ thống xử lý tài liệu hoặc lưu trữ cần dữ liệu vị trí có cấu trúc thay vì một khối văn bản thuần.
Ai nên dùng — và ai nên bỏ qua
Hãy thử Tesseract OCR nếu bạn là nhà phát triển cần nhúng khả năng trích văn bản vào một ứng dụng C++ hoặc pipeline script, và chấp nhận việc phải đưa vào ảnh đầu vào sạch, chuẩn bị kỹ cùng các file dữ liệu ngôn ngữ riêng. Bỏ qua nếu bạn muốn một ứng dụng scan dựng sẵn có GUI, hoặc cần trích văn bản đáng tin cậy từ những tấm ảnh thực tế lộn xộn mà không tự xử lý ảnh trước — README nói rõ đầu ra tốt bắt đầu từ một ảnh đầu vào tốt.
Repo liên quan
Vẫn đang phân vân về tesseract?
Một cú bấm sẽ gửi câu hỏi kèm trang này cho AI — xem AI nói gì về tesseract.