文字识别的能力是AI应用的基础，几乎所有的云厂商都提供文字识别的API，使用者按调用次数付费。这种模式的成本较高，且速度慢、因为每次都要发起Internet请求。对于一些简单的文字识别需求，可以考虑使用离线工具替代。tesseract 就是一个优秀的离线文字识别工具。
介绍
tesseract 历史悠久，最初是由惠普公司研发的，1984-·995年间在惠普公司内部使用，1998年导入到Windows中使用，2005年开放源代码，2006年之后由谷歌维护开发。
tesseract 使用谷歌开源的 leptonica 处理图像。
使用
tesseract 支持100+种语言，不同的语言通过外置语言包的形式，各种语言包可以从这里下载 。
tesseract 提供多种API被上层应用集成：命令行、SDK，图形界面形式由三方开发者贡献。
命令行使用方式参考Basic command line usage，典型的命令行格式：tesseract <input-image> <output-file-base-name> -l [languages] --tessdata-dir [language-data-path]
- input-image 需要识别的图像文件路径
- output-file-base-name 输出文件名不带后缀，生成文件名为
output-file-base-name.txt - [languages] 识别文字的语言，支持多种语言混合，如中英文混合则可输入:
chi_sim+eng - [language-data-path] 语言包路径
效果
以唐诗“江雪”为例子 tesseract 江雪.png 江雪 -l chi_sim+eng --tessdata-dir tdata
识别的文字输出为：
江 雪
唐 代 : 柳 宗 元
干 山 鸟 飞 绝 , 万 径 人 踪 灭 。
孤 舟 群 笠 翁 , 独 钓 寒 江 雪 。