Tesseract.js 提供了一套轻量级的 JavaScript OCR 解决方案，兼容浏览器与 Node.js 环境。本文将结合项目的工程实践，阐述如何通过本地语言包、图像预处理与任务队列机制，在 Electron 客户端构建完整的离线图像文字识别模块。

基础用法

Tesseract.js 最简单的用法是直接调用其提供的快捷方法，这适用于一次性的简单识别任务：

const { recognize } = require('tesseract.js');

async function quickRecognize() {
  const result = await recognize(
    'image.png',
    'eng', 
    { logger: m => console.log(m) } 
  );
  console.log(result.data.text);
}

这种方式虽然简单，但每次调用都会重新下载或读取模型文件并初始化引擎，性能开销较大，不适合频繁或大批量的识别需求。

使用 Worker

在实际生产环境中，我们通常会通过创建和维护 Worker 来实现引擎的复用，从而大幅提升后续识别任务的处理速度。Worker 是一种维护引擎生命周期的对象。

const { createWorker } = require('tesseract.js');

async function advancedRecognize(imagePath) {
  // 创建并初始化 Worker
  const worker = await createWorker('eng', 1, {
    logger: m => console.log(m),
  });
  
  // 执行识别，可以重复调用
  const result = await worker.recognize(imagePath);
  console.log(result.data.text);
  
  // 任务全部完成后释放资源
  await worker.terminate();
}

多语言

如果需要同时识别多种语言，可以在初始化 Worker 时通过加号连接语言代码。如这里将多个语言代码（如 eng 和 chi_sim）通过 + 符号连接，使引擎同时加载多语种模型。

const worker = await createWorker('eng+chi_sim');

离线语言包

在制作本地客户端时，项目需要支持完全离线运行，所有的语言包数据都通过本地文件系统提供，而不是动态下载。在创建 Worker 时，通过配置项指定了语言包的本地路径，langPath 参数确保了 Tesseract 引擎去读取本地指定目录下的 traineddata 文件。

const languageDataDir = path.join(appDataPath, "ocr-language-data");
const workerCacheDir = path.join(appDataPath, "ocr-worker-cache");

worker = await createWorker('eng+chi_sim', undefined, {
  langPath: languageDataDir,
  gzip: true,
  cachePath: workerCacheDir,
  logger: (message) => {
    // 记录加载进度与状态
  }
});

图像预处理提升识别率

Tesseract.js 直接处理原始图像时，准确率容易受限于图像质量、对比度和尺寸。在项目实践中，输入给引擎的图像会先使用 sharp 库进行预处理。

图像会被转换为灰度图、调整尺寸、执行标准化和二值化操作。这些操作去除了背景噪音，使文本特征更加明显，进而辅助底层引擎提高识别的准确度。

const sharp = require("sharp");

async function preprocessImage(imagePath, maxWidth, threshold) {
  const metadata = await sharp(imagePath).metadata();
  let pipeline = sharp(imagePath).rotate();
  
  if (metadata.width && metadata.width > maxWidth) {
    pipeline = pipeline.resize({ width: maxWidth, withoutEnlargement: true });
  }
  
  pipeline = pipeline.grayscale()
    .normalize()
    .threshold(threshold, { grayscale: false })
    .sharpen();
    
  const output = await pipeline.png().toBuffer({ resolveWithObject: true });
  return { buffer: output.data, width: output.info.width, height: output.info.height };
}

通过将处理后的 buffer 直接传递给 Worker 进行识别，避免了中间文件落盘的开销。

文本后处理与清理

Tesseract.js 输出的文本通常包含不需要的换行或多余的空格，特别是在处理中文字符时。本项目在获取到原始识别文本后，会通过正则表达式进行统一的后处理。

主要的清理工作包括将汉字之间的不可见空格去除，以及处理中英文字符和标点符号前后的多余占位符。

function normalizeRecognizedText(text) {
  const hanChar = "\\p{Script=Han}";
  const spaceClass = "[\\s\\u00A0\\u1680\\u2000-\\u200B\\u202F\\u205F\\u3000]+";
  const punctuation = "(?:[，。！？；：、】【《》“”‘’—…]|[,.!?;:]|[()\\[\\]{}<>])";
  
  const removeSpacesBetweenHan = new RegExp(`(?<=${hanChar})${spaceClass}(?=${hanChar})`, "gu");
  const removeSpacesBeforePunctuation = new RegExp(`(?<=${hanChar})${spaceClass}(?=${punctuation})`, "gu");
  const removeSpacesAfterPunctuation = new RegExp(`(?<=${punctuation})${spaceClass}(?=${hanChar})`, "gu");
  
  return text
    .replaceAll("\r\n", "\n")
    .split("\n")
    .map((line) => line.trim()
      .replace(removeSpacesBetweenHan, "")
      .replace(removeSpacesBeforePunctuation, "")
      .replace(removeSpacesAfterPunctuation, "")
    )
    .filter(Boolean)
    .join("\n");
}

任务队列与并发控制

Tesseract 的推理过程是 CPU 密集型的。为了防止阻塞 Electron 的主进程或渲染进程导致应用卡顿，我们将其剥离到了独立的 Node.js 子进程（Worker Process）中运行。

同时，我们通过队列机制确保同一个 Worker 实例串行处理任务，所有的预处理流程和 Worker 调用，都被包裹在这个队列中，避免并发执行导致内存溢出。

class OcrEngine {
  constructor() {
    this.queue = Promise.resolve();
    this.worker = null;
  }

  enqueue(task) {
    const run = this.queue.then(task, task);
    this.queue = run.then(() => undefined, () => undefined);
    return run;
  }

  async recognize(imagePath) {
    return this.enqueue(async () => {
      // 懒加载并复用 worker
      if (!this.worker) {
        this.worker = await createWorker('eng+chi_sim');
      }
      const processedBuffer = await preprocessImage(imagePath);
      const result = await this.worker.recognize(processedBuffer);
      return result.data.text;
    });
  }
}