如何修改网站源文件中国最大的博客网站
在使用 PyTesseract 进行 OCR 时，合理配置参数是提高识别准确率的关键。以下是 Tesseract 常用参数的详细解释和适用场景。
一、关键参数
（1）页面分割模式（Page Segmentation Mode, --psm）
控制 Tesseract 如何分析图像中的文本布局，对单行文本、多列文本、表格等不同场景有不同优化。
| 参数值 | 描述 | 适用场景 |
|---|---|---|
| 0 | 仅定向和脚本检测 | 用于分析文本方向和语言脚本（如中文、英文） |
| 1 | 自动分页 | 处理包含多页内容的图像（如扫描书籍） |
| 2 | 自动分页，但不进行 OCR | 仅分析页面布局，不识别文本 |
| 3 | 全自动分页，无需 OCR | 默认模式，适用于常规文档 |
| 4 | 假设为单列文本 | 处理报纸、杂志等多列文本 |
| 5 | 假设为垂直排列的文本 | 处理竖排文字（如古籍、日语竖排） |
| 6 | 假设为单行文本 | 处理单行较长的文本（如标题） |
| 7 | 视为单个文本行 | 短文本、验证码、标语 |
| 8 | 视为单个单词 | 孤立单词、品牌名、验证码（无空格） |
| 9 | 视为单个单词在圆圈中 | 圆形排列的文字（如标志） |
| 10 | 视为单个字符 | 单个字母或数字（如车牌字符） |
| 11 | 稀疏文本 | 分散在图像中的文本（如水印、标签） |
| 12 | 稀疏文本，先进行 OSD | 稀疏文本且需要自动检测方向 |
| 13 | 原始行 | 忽略布局，按行处理（适用于不规则文本） |
验证码场景推荐：psm 7（单行文本）或 psm 8（单个单词）。
（2）OCR 引擎模式（OCR Engine Mode, --oem）
控制使用的 OCR 引擎类型。
| 参数值 | 描述 | 适用场景 |
|---|---|---|
| 0 | 仅使用传统 Tesseract 引擎 | 旧版本兼容性，对简单文本可能更快 |
| 1 | 仅使用 LSTM 引擎 | 推荐模式，识别准确率更高，支持更多语言 |
| 2 | 同时使用两种引擎 | 综合两种引擎结果，可能更准确但更慢 |
| 3 | 默认，自动选择 | 通常选择 LSTM 引擎（推荐） |
推荐配置：–oem 3（自动选择 LSTM）。
（3）字符白名单（tessedit_char_whitelist）
限制 Tesseract 只识别指定字符，大幅提高特定场景的准确率。
# 仅识别数字
config = r'-c tessedit_char_whitelist=0123456789'# 识别数字和小写字母
config = r'-c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz'
适用场景：
- 验证码（已知字符集）
- 车牌识别（如 ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789）
- 特定领域文本（如仅含数字的发票金额）
（4）语言参数（-l）
指定识别语言，需安装相应语言包。
# 英文
text = pytesseract.image_to_string(image, lang='eng')# 简体中文
text = pytesseract.image_to_string(image, lang='chi_sim')# 中英文混合
text = pytesseract.image_to_string(image, lang='eng+chi_sim')
安装语言包：
- Windows：通过 Tesseract 安装程序勾选语言包
- Linux：sudo apt-get install tesseract-ocr-（如 tesseract-ocr-chi-sim）
（5）其他常用参数
| 参数 | 描述 | 示例 |
|---|---|---|
tessedit_pageseg_mode | 与 --psm 等效，用于配置文件 | -c tessedit_pageseg_mode=8 |
preserve_interword_spaces | 保留单词间空格（默认为0） | -c preserve_interword_spaces=1 |
textord_min_linesize | 最小文本行高（像素） | -c textord_min_linesize=20 |
tessedit_char_blacklist | 黑名单字符（不识别的字符） | -c tessedit_char_blacklist=!@#$%^&*() |
二、组合参数示例
（1）验证码识别
# 配置：LSTM引擎，视为单个单词，仅识别数字和小写字母
config = r'--oem 3 --psm 8 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz'
text = pytesseract.image_to_string(image, config=config)
（2）单行文本（如车牌）
# 配置：单行文本，仅识别大写字母和数字
config = r'--oem 3 --psm 7 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789'
text = pytesseract.image_to_string(image, config=config)
（3）多列文本（如报纸）
# 配置：自动检测多列布局
config = r'--oem 3 --psm 4'
text = pytesseract.image_to_string(image, config=config)
（4）竖排中文文本
# 配置：垂直排列文本，中文识别
config = r'--oem 3 --psm 5 -l chi_sim'
text = pytesseract.image_to_string(image, config=config)