文字识别（OCR）是处理图像或PDF中文字内容的重要技术，Tesseract OCR是一款开源高效的OCR引擎，结合Python库可快速实现文字提取功能。本文将详细介绍在Ubuntu系统中配置支持中文的Python文字识别环境的步骤，适用于处理图片、PDF等文件中的文字内容。

一、安装Tesseract OCR引擎

Tesseract是核心OCR引擎，需先安装其基础程序。

1. 打开终端，更新系统包列表：

   1	sudo apt update

2. 安装Tesseract OCR引擎：

   1	sudo apt install tesseract-ocr

这一步将安装Tesseract的核心程序，支持基础的文字识别功能（默认包含英文语言包）。

二、安装并配置中文语言包

默认安装的Tesseract不包含中文语言包，需单独安装并修正文件名（避免因命名格式导致识别失败）。

1. 安装中文简体语言包：

   1	sudo apt install tesseract-ocr-chi-sim

   （可选）若需识别繁体中文，可额外安装：

   1	sudo apt install tesseract-ocr-chi-tra

2. 修正语言包文件名（关键步骤）：

Tesseract对语言包的文件名格式有严格规范，但实际使用中，其对文件名的识别存在一定兼容性差异：安装后中文语言包默认文件名为下划线格式（chi_sim.traineddata 对应简体，chi_tra.traineddata 对应繁体），但部分场景下程序可能要求使用连字符格式（chi-sim.traineddata、chi-tra.traineddata）。为避免因文件名格式导致识别失败，建议复制一份以连字符命名的文件，从而兼容不同场景下的调用需求。：

1
2
3
4
5

# 修正简体中文包文件名
sudo cp /usr/share/tesseract-ocr/4.00/tessdata/chi_sim.traineddata /usr/share/tesseract-ocr/4.00/tessdata/chi-sim.traineddata

# （可选）修正繁体中文包文件名
sudo cp /usr/share/tesseract-ocr/4.00/tessdata/chi_tra.traineddata /usr/share/tesseract-ocr/4.00/tessdata/chi-tra.traineddata

三、验证Tesseract安装与语言包配置

安装完成后，需确认引擎和语言包是否正常生效。

1. 检查Tesseract版本（验证引擎安装）：

   1	tesseract --version

   若输出类似tesseract 4.0.0的版本信息，说明引擎安装成功。

2. 检查已安装的语言包（验证中文支持）：

   1	tesseract --list-langs

   若输出包含chi-sim（简体中文）和chi-tra（繁体中文），说明中文语言包配置成功。

四、配置TESSDATA_PREFIX环境变量

Tesseract需要通过TESSDATA_PREFIX环境变量定位语言包目录，需手动配置以确保引擎能正确找到语言包。

1. 编辑环境变量配置文件（以bash为例）：

   1	echo 'export TESSDATA_PREFIX=/usr/share/tesseract-ocr/4.00/' >> ~/.bashrc

   说明：TESSDATA_PREFIX需指向tessdata目录。

2. 使环境变量生效：

   1	source ~/.bashrc

（若使用zsh，需将命令中的~/.bashrc替换为~/.zshrc）

五、安装Python相关依赖库

通过Python调用Tesseract需安装对应的接口库，同时为处理PDF文件需补充相关工具库。

1. 安装核心Python库：

   1 2	pip install pytesseract PyPDF2 pdf2image pdfplumber opencv-python pillow

   各库作用说明：

   • pytesseract：Python调用Tesseract OCR的接口库；

   • PyPDF2/pdfplumber：用于读取PDF文件（支持文本型PDF直接提取）；

   • pdf2image：将图片型PDF转换为图片格式（以便Tesseract识别）;

   • opencv-python：主要用于计算机视觉任务，可实现图像处理、视频分析、目标检测、边缘识别等复杂功能，是机器视觉领域的常用库；

   • pillow：是轻量易用的 Python 图像库，核心用于基础图像操作，包括图像的读写、裁剪、尺寸调整、色彩调整及简单滤镜效果实现。

2. （可选）若pdf2image运行时提示缺少依赖，需安装图片处理工具：

   1	sudo apt install poppler-utils

六、注意事项

1. 环境变量生效范围：上述配置仅对当前用户生效，若需全局生效，可将环境变量写入/etc/profile（需管理员权限）。

2. 虚拟环境问题：若在Python虚拟环境中使用，需在虚拟环境激活后重新执行source ~/.bashrc（或手动设置TESSDATA_PREFIX）。

3. 权限问题：确保运行程序的用户对/usr/share/tesseract-ocr/4.00/tessdata/目录及语言包文件有读取权限（默认权限已满足，无需额外配置）。

总结

通过以上步骤，即可在Ubuntu系统中完成支持中文的Python文字识别环境配置。基于Tesseract OCR和Python库，可实现图片、PDF等文件的文字提取功能，为后续的文本分析、内容处理等场景奠定基础。

加关注

关注公众号“生信之巅”。