本文介绍如何在Linux系统上安装和使用Teseract OCR 5的方法，当前可从源代码或者使用Docker/Podman容器来安装，将以Rocky Linux 8、AlmaLinux 8发行版做示例。

安装Teseract OCR 5

1、从源代码安装

我们将首先安装从源文件构建Teseract OCR 5所需的软件包：

sudo yum install git automake make autoconf libtool clang gcc-c++.x86_64

需要更多的leptonica依赖性：

sudo yum install zlib zlib-devel libjpeg libjpeg-devel libwebp libwebp-devel libtiff libtiff-devel libpng libpng-devel

将可执行文件移动到您的路径：

cd /usr/local/lib

sudo cp /usr/lib64/libjpeg.so.62 .

sudo cp /usr/lib64/libwebp.so.7 .

sudo cp /usr/lib64/libtiff.so.5 .

sudo cp /usr/lib64/libpng16.so.16 .

从源代码编译Leptonica。首先从git克隆它，如下所示：

cd ~

git clone https://github.com/DanBloomberg/leptonica.git --depth 1

cd leptonica

现在编译并安装Leptonica：

./autogen.sh

./configure --prefix=/usr/local --disable-shared --enable-static --with-zlib --with-jpeg --with-libwebp  --with-libtiff --with-libpng --disable-dependency-tracking

make

sudo make install

sudo ldconfig

一旦安装了Leptonica，我们将继续从Github下载Teseract OCR 5。您也可以使用Wget：

cd ~

VER=$(curl -s https://api.github.com/repos/tesseract-ocr/tesseract/releases/latest|grep tag_name | cut -d '"' -f 4)

wget https://github.com/tesseract-ocr/tesseract/archive/refs/tags/$VER.tar.gz -O tesseract-5.tar.gz

提取存档：

tar zxvf tesseract-5.tar.gz

导航到提取的目录：

cd tesseract-*/

现在编译Teseract OCR 5：

export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

./autogen.sh

./configure --prefix=/usr/local --disable-shared --enable-static --with-extra-libraries=/usr/local/lib/ --with-extra-includes=/usr/local/lib/

make

使用以下命令安装Teseract OCR 5：

sudo make install

sudo ldconfig

下面加载细分语言。

通过创建语言路径加载tesseract语言：

mkdir -p /tess/traineddata

通过将以下行添加到~/.bashrc来导出Teseract路径：

export TESSDATA_PREFIX=/home/$USER/tess/traineddata

您可以用系统上的确切用户名替换$USER。

源配置文件：

source ~/.bashrc

现在将Github tessdata上可用的数据添加到路径中，地址在https://github.com/tesseract-ocr/tessdata：

cd $TESSDATA_PREFIX

wget https://github.com/tesseract-ocr/tessdata/raw/main/eng.traineddata

wget https://github.com/tesseract-ocr/tessdata/raw/main/fra.traineddata

2、使用Docker/Podman容器安装

我假设您的系统上已经安装了Docker/Podman引擎。可参考如何在Ubuntu 22.04系统上安装Docker CE：https://www.hmxthome.com/linux/4941.html

可以使用以下命令安装Podman：

sudo yum install podman

安装首选容器引擎后，创建Teseract OCR 5 docker文件：

vim Dockerfile

在文件中，添加以下行：

FROM ubuntu:20.04

RUN apt-get update -y

ENV DEBIAN_FRONTEND=noninteractive 

RUN apt-get install -y gnupg apt-transport-https apt-utils wget

RUN echo "deb https://notesalexp.org/tesseract-ocr5/focal/ focal main" \

|tee /etc/apt/sources.list.d/notesalexp.list > /dev/null

RUN wget -O - https://notesalexp.org/debian/alexp_key.asc | apt-key add -

RUN apt-get update -y

RUN apt-get install tesseract-ocr -y

RUN apt install imagemagick -y

ENTRYPOINT ["tesseract"]

RUN tesseract -v

保存文件并构建Tesseract 5 image：

$ docker build . -t tesseract:5

##或

$ podman build . -t tesseract:5

一旦生成，您将看到以下信息：

Removing intermediate container a9ecd5a7810f

 ---> e1f76f250bc1

Step 10/11 : ENTRYPOINT ["tesseract"]

 ---> Running in 1886dfbcfd5e

Removing intermediate container 1886dfbcfd5e

 ---> 30afc1531eb9

Step 11/11 : RUN tesseract -v

 ---> Running in 598972cbd362

tesseract 5.0.1

 leptonica-1.79.0

  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 2.0.3) : libpng 1.6.37 : libtiff 4.1.0 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.1

 Found AVX2

 Found AVX

 Found FMA

 Found SSE4.1

 Found OpenMP 201511

 Found libarchive 3.4.0 zlib/1.2.11 liblzma/5.2.4 bz2lib/1.0.8 liblz4/1.9.2 libzstd/1.4.4

 Found libcurl/7.68.0 OpenSSL/1.1.1f zlib/1.2.11 brotli/1.0.7 libidn2/2.2.0 libpsl/0.21.0 (+libidn2/2.2.0) libssh/0.9.3/openssl/zlib nghttp2/1.40.0 librtmp/2.3

Removing intermediate container 598972cbd362

 ---> 35f8f89ea444

Successfully built 35f8f89ea444

Successfully tagged tesseract:5

检查image：

##对于Docker

$ docker images

tesseract    5         35f8f89ea444   14 seconds ago   302MB

##对于Podman

$ podman images

localhost/tesseract    5         f92efe531f58  2 minutes ago  309MB

使用Tesseract image，现在可以使用语法运行Teseract：

##对于Docker

docker run --rm -v /path/to/image/:/tmp/:z tesseract:5 /tmp/img.jpg stdout

##对于Podman

podman run --rm -v /path/to/image/:/tmp/:z localhost/tesseract:5 /tmp/img.jpg stdout

在上述命令中：

–rm，在运行上述命令后删除conatiner。

–v，指定卷，其中/path/to/image/作为要装载在服务器的/tmp/上的本地路径，/tmp/img.jpg是装载的本地路径的映像文件的确切位置。

tesseract:5，是创建的conatiner image。

z，修改selinux标签。它表示绑定装载内容在多个容器之间共享。

使用Teseract OCR 5

一旦安装了Teseract OCR 5，您现在可以开始从扫描的文档或图像中提取文本。

要将图像转换为文本文件，使用的语法如下：

tesseract <image_name> <output file_name>

例如，将图像转换为文本文件时，命令为：

tesseract image.png new

输出将是图像文件-image.png的文本文件-new。

对于Docker/Podman，假设图像文件image.png位于/home/thor/Desktop/image.png，命令如下：

##对于Docker

docker run --rm -v /home/thor/Desktop/:/tmp/:z tesseract:5 /tmp/image.png stdout

##对于Podman

podman run --rm -v /home/thor/Desktop/:/tmp/:z localhost/tesseract:5 /tmp/image.png stdout

或者，在导航到带有图像文件的目录后，按如下方式缩短命令（Podman示例）：

podman run --rm -v $(pwd)/:/tmp/:z localhost/tesseract:5 /tmp/image.png stdout

这是目录中image.png的文本输出截图：

您还可以将上面的输出保存到文件new.txt中，如下所示：

tesseract image.png new

Docker示例：

docker run --rm -v $(pwd)/:/tmp/:z tesseract:5 /tmp/image.png /tmp/new

或以下PDF文件（new.pdf）：

tesseract image.png new pdf

docker示例：

docker run --rm -v $(pwd)/:/tmp/:z tesseract:5 /tmp/image.png /tmp/new pdf

下面是指定语言的方法。

在使用Teseract OCR时，可以使用-l标志指定要使用的语言。例如，使用Czech：

tesseract image.png new -l ces

您还可以指定多种语言：

tesseract image.png new -l ces+eng

结论

通过本文，我们能够成功地在Linux系统上安装并使用Teseract OCR 5。现在，您可以轻松地从图像和扫描文档中提取文本了。