jitesoft/tesseract-ocr

Tesseract OCR Docker镜像

镜像概述与主要用途

https://github.com/tesseract-ocr/tesseract Docker镜像是基于Ubuntu和Alpine Linux构建的OCR（光学字符识别）工具容器化实现。Tesseract和Leptonica库均从源码编译，支持amd64（x86_64）和arm64（aarch64）架构。主要用途是提供轻量、可扩展的OCR服务，用于从图像中提取文字内容。

核心功能与特性

• 多平台支持：兼容amd64（x86_64）和arm64（aarch64）架构。
• 多版本管理：通过标签区分Tesseract版本，4-前缀标签对应Tesseract 4，无前缀标签对应Tesseract 5。
• 多系统支持：提供基于Ubuntu和Alpine Linux的镜像版本。
• 默认语言支持：预装英文（eng）训练数据（fast类型），解析速度快，适用于常规场景。
• 可扩展语言训练：支持通过脚本添加其他语言训练数据（ISO 639-2标准语言代码），可选fast或best类型数据。
• 多仓库镜像源：镜像可从Docker Hub、GitLab、GitHub Container Registry、Quay等平台获取。

使用场景与适用范围

• 文档数字化：扫描文档的文字提取与转换。
• 图像文字识别：从图片（如截图、照片）中提取文字内容。
• 多语言内容处理：支持添加多语言训练数据，处理多语言图像文字。
• 自动化OCR任务：集成到CI/CD或自动化工作流中，实现批量OCR处理。
• 轻量级部署：Alpine版本适合资源受限环境，Ubuntu版本适合需要更多系统依赖的场景。

使用方法与配置说明

镜像标签说明

标签格式反映基础系统版本或名称，Tesseract版本通过前缀区分：

• 4-<os-version>：基于指定OS的Tesseract 4版本（如4-ubuntu-22.04、4-alpine-3.18）。
• <os-version>：基于指定OS的Tesseract 5版本（如ubuntu-22.04、alpine-3.18）。

所有版本共享相同的训练数据结构。

镜像仓库地址

镜像可从以下仓库拉取：

• Docker Hub：jitesoft/tesseract-ocr
• GitLab：registry.gitlab.com/jitesoft/dockerfiles/tesseract
• GitHub Container Registry：ghcr.io/jitesoft/tesseract
• Quay：quay.io/jitesoft/tesseract

训练数据与语言支持

默认配置

默认镜像预装英文（eng）fast训练数据，特点是解析速度快，精度适中。

添加其他语言

通过train-lang脚本添加语言，语法：

bash
train-lang <语言代码> [--fast|--best]

• <语言代码>：ISO 639-2标准代码（如swe对应瑞典语，fra对应法语）。
• 可选参数：--fast（快速模式数据）或--best（最佳精度数据），默认使用标准数据。

示例：在派生镜像中添加保加利亚语（fast数据）：

dockerfile
FROM jitesoft/tesseract-ocr
RUN train-lang bul --fast

手动添加训练数据

将.traineddata文件直接复制到容器内对应目录：

• Ubuntu版本：/usr/local/share/tessdata
• Alpine版本：/usr/share/tessdata

支持的语言列表可参考官方仓库：

• https://github.com/tesseract-ocr/tessdata
• https://github.com/tesseract-ocr/tessdata_best
• https://github.com/tesseract-ocr/tessdata_fast

部署示例

基本使用（Docker Run）

拉取镜像并识别本地图片：

bash
# 拉取镜像（以Docker Hub为例）
docker pull jitesoft/tesseract-ocr

# 运行OCR识别（将本地图片挂载到容器/tmp目录，输出结果到stdout）
docker run -v /本地图片路径/img.jpg:/tmp/img.jpg jitesoft/tesseract-ocr /tmp/img.jpg stdout

注意：使用高DPI图片可提升识别精度，但会增加处理时间。

Dockerfile获取

Dockerfile源码位于：

• GitLab
• https://github.com/jitesoft/docker-tesseract-ocr

镜像标签规范

本镜像遵循Jitesoft镜像标签规范1.0.0。

许可证

• 镜像及仓库中的脚本：MIT许可证
• Tesseract OCR：https://github.com/tesseract-ocr/tesseract/blob/master/LICENSE

说明：Alpine版本中Tesseract源码通过补丁（alpine/tess.patch）修改以支持编译。