使用tesseract.js库实现 OCR 识别

tesseract.js 本质上也是基于 tesseract-ocr 的封装，但其不同的是它借助 emscripten 将 C++ 开发的 tesseract-ocr 编译为 WebAssembly 实现能力支持，现代浏览器均支持 WebAssembly ，故其也可直接在浏览器中应用。2X4拜客生活常识网

以下对使用 tesseract.js 实现 OCR 文本识别作简要介绍。2X4拜客生活常识网

安装tesseract.js依赖

npm i tesseract.js
# or
yarn add tesseract.js

下载训练数据

tesseract.js 默认从其网站下载训练数据，但由于训练数据包比较大，可能需要比较久的时间。我们可以先使用迅雷等工具将其下载下来，然后通过 langPath 参数指定训练数据的位置。2X4拜客生活常识网

下载地址示例： https://tessdata.projectnaptha.com/4.0.0_fast/chi_sim.traineddata.gz2X4拜客生活常识网

下载其他语言类型的训练数据，只需将示例地址中的 chi_sim 改为要下载的语言标识即可。2X4拜客生活常识网

当然你也可以从其默认训练数据的仓库下载（可能会因为 git 拉取太久而失败），所有默认支持的的语言也都可以从这里知晓。2X4拜客生活常识网

默认训练数据仓库地址为：https://github.com/naptha/tessdata2X4拜客生活常识网

基于tesseract.js的图片文本识别示例

const Tesseract = require('tesseract.js');
const path = require('path');

const worker = Tesseract.createWorker({
    logger: m => console.log(m),
    errorHandler: err => console.log('[error:]', err),
    // 使用离线训练数据
    langPath: path.resolve(__dirname, './tessdata/4.0.0_best'),
});

const ocrTest = async () => {
    await worker.load();
    await worker.loadLanguage('chi_sim');
    await worker.initialize('chi_sim');
    await worker.setParameters({
        // 验证码只为数字的情况下，设定白名单
        // tessedit_char_whitelist: '0123456789',
        tessedit_pageseg_mode: tessedit_pageseg_mode: Tesseract.PSM.AUTO,
    });

    // const image =  require('fs').readFileSync('./donate_wx.png');
    const image = 'https://lzw.me/wp-content/uploads/2017/02/donate_wx.png';
    const { data: { text } } = await worker.recognize(image);
    console.log(text);
    await worker.terminate();
});

ocrTest();