Tesseract OCR 是由 Google 维护的开源光学字符识别引擎。本项目包含 Tesseract 4 中 LSTM OCR 引擎的专用训练模型，所有数据均遵循 Apache-2.0 许可协议。TBocr_tesseractJS 是基于 Tesseract.js 开发的 JavaScript 项目，专注于藏文文字识别。该库支持浏览器和 Node.js 环境，无需安装原生依赖即可实现藏文图像到文本的高效转换。
➡️系统操作流程视频 ### 主要功能 - 兼容多种图像格式（PNG/JPG/GIF/BMP/TIFF等） - 支持PDF文档识别与转换 - 提供浏览器端与Node.js服务器端双端支持 - 支持单张/批量图片识别 - 具备多线程处理能力（基于Worker和Scheduler） - 支持离线识别 - 可复制识别结果至剪贴板或保存为TXT文件 ## 安装依赖环境 ### 系统要求 - Node.js v14 或更高版本 - npm 或 yarn 包管理器 ### 安装步骤 1. 克隆项目仓库： ```bash git clone https://gitee.com/Pemawangchuk/tb_tesseract.js.git cd tb_tesseract.js ``` 2. 安装项目依赖： ```bash npm install ``` 3. 构建项目（可选，用于浏览器环境）： ```bash npm run build ``` ## 使用方法 ### Node.js 环境使用 1. 创建识别脚本： ```javascript const { createWorker } = require('tesseract.js'); // 创建识别器实例，指定藏文语言 const worker = await createWorker('bod', 1, { logger: m => console.log(m) // 添加日志输出 }); // 识别单张图像中的藏文 const { data: { text } } = await worker.recognize('path/to/your/tibetan-image.png'); console.log(text); // 释放资源 await worker.terminate(); ``` 2. 运行脚本： ```bash node examples/node/recognize.js ``` 3. 识别结果
### 浏览器环境使用
#### 单张图片识别
```html
```
#### 多张图片批量识别
```html
```
#### 使用调度器进行高性能批量识别
```html
```
#### PDF 文档识别与转换
```html
**批量图片识别**
**pdf 识别**
**识别结果**
## 技术架构
### 核心技术
- Tesseract OCR 引擎：一个开源的 OCR 引擎，支持多种语言的文本识别
- WebAssembly：将 Tesseract 核心编译为 WebAssembly 模块，实现高效跨平台运行
- Worker 模式：采用 Web Worker 进行异步处理，确保主线程流畅运行
- 模块化架构：实现核心功能与平台适配层的解耦设计
- LSTM（长短期记忆网络）：用于提高 OCR 识别精度的深度学习模型
- NPM（Node Package Manager）：用于管理和安装 JavaScript 包
### 架构优势
1. 全平台兼容：无缝支持浏览器端与 Node.js 环境
2. 极致性能：通过 WebAssembly 技术显著提升处理效率
3. 资源优化：v6 版本彻底解决内存泄漏问题，大幅降低资源占用
4. 便捷集成：提供标准化 API 接口，简化接入流程
5. 高效并发：支持调度器驱动的多文件并行处理机制
## 安装藏文语言包
Tesseract.js 的语言包安装过程简单便捷，主要采用自动化方式，无需用户手动操作。
1. 自动安装（在线模式）
- 按需加载：当代码中调用 createWorker('bod') 指定使用藏文 (bod) 时，系统会自动检测本地是否已有该语言包缓存
- 自动下载：首次使用时，会自动从默认 CDN 下载 bod.traineddata 文件（因此首次运行时可能需要较长时间加载语言包）
- 自动缓存：下载完成后，语言包会保存在本地缓存（浏览器 IndexedDB 或 Node.js 临时目录），后续使用可直接快速加载
2. 离线使用
本项目已内置 bod.traineddata 文件，支持完全离线运行：
- 本地加载：通过 createWorker 配置 langPath 参数指向本地文件路径，即可直接加载项目中的语言包
- 适用场景：适用于无网络环境或需要固定语言包版本的场景
- 使用方式：代码中只需设置语言参数为 'bod' 即可，系统已针对藏文识别进行了优先处理优化
```bash'
// ...
// 只需指定语言代码 'bod'，库会自动处理加载
const worker = await createWorker('bod', 1, {
logger: m => console.log(m)
});
// ...
```
### 目录结构
```
src/
├── constants/ # 常量定义（OEM、PSM、语言列表等）
├── utils/ # 工具函数（日志、路径解析等）
├── worker/ # Worker 实现（浏览器和 Node.js 分别实现）
├── worker-script/ # Worker 脚本逻辑（模型加载、缓存等）
├── createWorker.js # 创建 Worker 的工厂方法
├── createScheduler.js # 创建 Scheduler 的工厂方法
├── Tesseract.js # 主类定义
examples/ # 示例代码
tests/ # 测试用例
scripts/ # 构建和开发脚本
dist/ # 构建后的发布文件
fontfile/ # 字体文件
images/ # 测试图片
result/ # 测试结果
```
## 使用提示
1. 为提高识别准确率，请提供清晰度高、对比度强的藏文图像
2. 处理大尺寸文件时可能影响运行速度，建议提前压缩或裁剪图像
3. 在浏览器环境中使用时，请确认已启用 WebAssembly 支持
4. 识别 PDF 文档需确保浏览器已加载 PDF.js 库
5. 识别结果可能因训练模型、OCR 参数、图片质量等原因存在差异，请根据实际需求进行fine-tuning。