bsorahan/tesserocr

Docker镜像：tesseract-leptonica-tesserocr

镜像概述

本Docker镜像集成了tesseract OCR引擎、leptonica图像处理库以及tesserocr Python绑定，提供一站式的光学字符识别（OCR）解决方案。通过容器化部署，可快速搭建OCR运行环境，支持在Python应用中便捷调用OCR功能，适用于文本识别、数据提取等场景。

核心功能与特性

• tesseract OCR引擎：开源的OCR引擎，支持多语言文本识别，提供高精度的字符识别能力。
• leptonica图像处理库：提供底层图像处理支持，优化图像预处理（如二值化、降噪等），提升OCR识别效果。
• tesserocr Python绑定：Python语言接口，允许直接在Python代码中调用tesseract功能，简化OCR集成流程。
• 容器化部署：无需手动配置依赖，通过Docker快速启动OCR环境，保证环境一致性。

使用场景

• 文本识别任务：从图像（如扫描件、截图、照片）中提取文本内容。
• 文档数字化：将纸质文档、PDF中的图像内容转换为可编辑文本。
• 自动化数据提取：从表单、票据、证件等图像中自动提取关键信息（如文字、数字）。
• Python OCR应用开发：作为开发环境，用于构建包含OCR功能的Python应用程序。

使用方法

基本使用

拉取镜像（假设镜像名称为tesseract-tesserocr）

bash
docker pull tesseract-tesserocr

运行容器并执行OCR任务

将本地图像文件挂载到容器中，通过Python脚本调用tesserocr进行识别：

bash
# 假设本地图像文件路径为./images/test.png，脚本路径为./scripts/ocr.py
docker run -v $(pwd)/images:/app/images -v $(pwd)/scripts:/app/scripts -w /app/scripts tesseract-tesserocr python ocr.py

Python脚本示例（ocr.py）

python
import tesserocr
from PIL import Image

# 打开图像文件
image = Image.open('/app/images/test.png')

# 使用tesserocr识别文本
text = tesserocr.image_to_text(image)

# 打印识别结果
print("识别结果：")
print(text)

配置说明

支持的环境变量

• TESSDATA_PREFIX：指定tesseract语言数据文件路径（默认已配置，如需添加自定义语言包可挂载该目录）。
• PYTHONPATH：Python模块搜索路径（默认包含tesserocr库路径）。

语言支持

默认包含英语语言包，如需添加其他语言（如中文、日语等），可通过挂载tessdata目录实现：

bash
# 假设本地tessdata目录包含中文语言包（chi_sim.traineddata）
docker run -v $(pwd)/tessdata:/usr/share/tesseract-ocr/4.00/tessdata -v $(pwd)/images:/app/images tesseract-tesserocr python ocr.py

docker-compose配置示例

yaml
version: '3'
services:
  ocr-service:
    image: tesseract-tesserocr
    volumes:
      - ./images:/app/images
      - ./scripts:/app/scripts
      - ./tessdata:/usr/share/tesseract-ocr/4.00/tessdata  # 挂载自定义语言包
    working_dir: /app/scripts
    command: python ocr.py