Tesseract：开源 OCR 的老祖宗，7.7 万 stars 还在更新

GitHub 仓库

tesseract-ocr/tesseract

总 Stars

★ 77,219

主要语言

C++

查看 GitHub 项目

结论先说：Tesseract 是开源 OCR 领域的奠基项目，7.7 万 stars、C++ 编写、Apache-2.0 协议，10 月 28 日仍在更新。很多你用过的 OCR 功能，底层都绕不开它。

是什么：一个由 Google 长期支持的开源 OCR 引擎，支持 100 多种语言，能把图片里的文字识别成可编辑文本。它不是 App，而是一个引擎。

能干嘛：图片转文字、扫描件识别、票据与证件信息提取；也可嵌入自己的流水线，配合 OCRmyPDF 直接处理 PDF。

适合谁：需要 OCR 能力的开发者；做数字化、档案整理、自动化录入的团队；以及不想把敏感图片上传到云端 OCR 服务的人。

注意点：它是引擎，不是“拍照即出完美结果”的成品：排版复杂、手写、低质量图片都需要预处理与调参；中文识别要装中文语言包，别装完英文包就抱怨中文识别差。

现在大模型也能看图识字了，还需要 Tesseract 吗？

需要，理由是成本与可控：大模型识字按 token 收费、还要把图片发上云；Tesseract 本地跑、免费、可离线。精度要求极高的场景可以两者结合，疑难样本再交给大模型复核。

站长点评：我选它是因为它是那种“装机必备的基础设施”：平时感觉不到它，一旦要做 OCR 才发现处处是它。同类里 EasyOCR、PaddleOCR 各有长处，Tesseract 胜在语言覆盖广、生态最厚、离线可用。我的判断是：任何 OCR 流水线都值得先以它为基准，再谈升级。