# 现成的 Tesseract Docker 镜像及使用方案 确实有多个现成的 Tesseract Docker 镜像可以直接使用，无需自己构建。以下是基于现有镜像的简单 Docker 命令方案： ## 1. 可用的现成 Tesseract Docker 镜像 ### 1.1 官方和社区镜像 ```bash # 1. 官方 Tesseract OCR 镜像 docker pull tesseractshadow/tesseract4re:latest # 2. 另一个流行的社区镜像 docker pull jitesh/tesseract-ocr:latest # 3. 轻量级 Alpine 版本 docker pull alexbrah/tesseract-ocr:alpine # 4. 包含多种语言的镜像 docker pull napcs/tesseract-ocr:latest ``` ## 2. 最简单的 Docker 使用方案 ### 2.1 基础使用命令 ```bash # 查看镜像中的语言包 docker run --rm tesseractshadow/tesseract4re tesseract --list-langs # 直接运行单次识别 docker run --rm -v "$(pwd):/data" tesseractshadow/tesseract4re \ tesseract /data/input.png /data/output # 中文 docker run --rm -v "$(pwd):/data" tesseractshadow/tesseract4re \ tesseract /data/input.png /data/output -l chi_sim # 中文简体 + 英文 docker run --rm -v "$(pwd):/data" tesseractshadow/tesseract4re \ tesseract /data/input.png /data/output -l chi_sim+eng # Hex docker run --rm \ -v "$(pwd):/data" \ tesseractshadow/tesseract4re \ tesseract /data/hex1.png /data/output \ -c tessedit_char_whitelist=0123456789ABCDEFabcdef \ --psm 6 # Base64 docker run --rm \ -v "$(pwd):/data" \ tesseractshadow/tesseract4re \ tesseract /data/hex1.png /data/output \ -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/= \ --psm 6 ``` ### 2.2 针对 HEX 和 Base64 的优化使用 ```bash # 创建专用配置目录 mkdir -p tesseract-config mkdir -p test-images mkdir -p output # 创建 HEX 配置文件 cat > tesseract-config/hex.config << 'EOF' tessedit_char_whitelist 0123456789ABCDEFabcdef tessedit_pageseg_mode 6 tessedit_ocr_engine_mode 3 EOF # 创建 Base64 配置文件 cat > tesseract-config/base64.config << 'EOF' tessedit_char_whitelist ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/= tessedit_pageseg_mode 6 tessedit_ocr_engine_mode 3 EOF ``` ## 3. 完整的验证脚本 ### 3.1 创建测试图像 ```bash # create-test-images.py #!/usr/bin/env python3 from PIL import Image, ImageDraw, ImageFont import os import random import string def create_test_images(): """创建测试图像""" os.makedirs('test-images', exist_ok=True) # HEX 测试图像 hex_chars = "0123456789ABCDEF" for i in range(5): text = ''.join(random.choices(hex_chars, k=16)) create_image(f"test-images/hex_{i}.png", text) # Base64 测试图像 base64_chars = string.ascii_letters + string.digits + "+/=" for i in range(5): text = ''.join(random.choices(base64_chars, k=24)) create_image(f"test-images/base64_{i}.png", text) def create_image(filename, text): """创建测试图像""" img = Image.new('RGB', (400, 50), color='white') draw = ImageDraw.Draw(img) try: font = ImageFont.truetype("/usr/share/fonts/truetype/dejavu/DejaVuSans.ttf", 20) except: font = ImageFont.load_default() draw.text((10, 15), text, fill='black', font=font) img.save(filename) print(f"Created: {filename} - {text}") if __name__ == "__main__": create_test_images() ``` ### 3.2 运行测试脚本创建图像 ```bash # 在主机上运行 Python 脚本创建测试图像 python3 create-test-images.py # 或者使用 Docker 运行（如果主机没有 Python） docker run --rm -v "$(pwd):/app" python:3.9-slim \ python3 /app/create-test-images.py ``` ## 4. 批量识别脚本 ### 4.1 创建批量处理脚本 ```bash # batch-recognize.sh #!/bin/bash echo "Starting batch recognition of HEX and Base64 images..." # 创建输出目录 mkdir -p output # 识别 HEX 图像 echo "Processing HEX images..." for img in test-images/hex_*.png; do if [ -f "$img" ]; then filename=$(basename "$img" .png) echo "Processing: $img" docker run --rm \ -v "$(pwd):/data" \ tesseractshadow/tesseract4re \ tesseract "/data/$img" "/data/output/${filename}" \ -c tessedit_char_whitelist=0123456789ABCDEFabcdef \ --psm 6 fi done # 识别 Base64 图像 echo "Processing Base64 images..." for img in test-images/base64_*.png; do if [ -f "$img" ]; then filename=$(basename "$img" .png) echo "Processing: $img" docker run --rm \ -v "$(pwd):/data" \ tesseractshadow/tesseract4re \ tesseract "/data/$img" "/data/output/${filename}" \ -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/= \ --psm 6 fi done echo "Recognition complete! Check output directory for results." ``` ### 4.2 运行批量识别 ```bash # 给脚本执行权限 chmod +x batch-recognize.sh # 运行批量识别 ./batch-recognize.sh ``` ## 5. 验证和结果分析 ### 5.1 创建结果验证脚本 ```bash # validate-results.py #!/usr/bin/env python3 import os import re import base64 def read_original_text(): """从文件名读取原始文本（假设文件名包含原始文本）""" originals = {} for img_file in os.listdir('test-images'): if img_file.startswith('hex_'): name = img_file.replace('.png', '') # 从文件名提取文本（实际使用时应该从其他地方获取） originals[name] = "placeholder_hex" elif img_file.startswith('base64_'): name = img_file.replace('.png', '') originals[name] = "placeholder_base64" return originals def validate_hex(text): """验证 HEX 文本""" cleaned = re.sub(r'[^0-9A-Fa-f]', '', text) is_valid = len(cleaned) > 0 and all(c in '0123456789ABCDEFabcdef' for c in cleaned) return { 'cleaned': cleaned.upper(), 'is_valid': is_valid, 'length': len(cleaned) } def validate_base64(text): """验证 Base64 文本""" cleaned = ''.join(c for c in text if c in 'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/=') try: # 尝试解码 if '=' in cleaned: base64.b64decode(cleaned) is_valid = True else: padding = 4 - (len(cleaned) % 4) test_text = cleaned + '=' * padding base64.b64decode(test_text) is_valid = True except: is_valid = False return { 'cleaned': cleaned, 'is_valid': is_valid, 'length': len(cleaned) } def main(): """主验证函数""" print("Validating OCR results...") results = {} # 读取输出文件 for txt_file in os.listdir('output'): if txt_file.endswith('.txt'): file_path = os.path.join('output', txt_file) with open(file_path, 'r') as f: content = f.read().strip() filename = txt_file.replace('.txt', '') if filename.startswith('hex_'): validation = validate_hex(content) results[filename] = { 'type': 'hex', 'original': content, 'validation': validation } elif filename.startswith('base64_'): validation = validate_base64(content) results[filename] = { 'type': 'base64', 'original': content, 'validation': validation } # 输出统计信息 hex_results = [r for r in results.values() if r['type'] == 'hex'] base64_results = [r for r in results.values() if r['type'] == 'base64'] print(f"\nHEX Results: {len(hex_results)} files") hex_valid = sum(1 for r in hex_results if r['validation']['is_valid']) print(f"Valid HEX: {hex_valid}/{len(hex_results)} ({hex_valid/len(hex_results)*100:.1f}%)") print(f"\nBase64 Results: {len(base64_results)} files") base64_valid = sum(1 for r in base64_results if r['validation']['is_valid']) print(f"Valid Base64: {base64_valid}/{len(base64_results)} ({base64_valid/len(base64_results)*100:.1f}%)") # 显示详细结果 print("\nDetailed Results:") for filename, result in results.items(): status = "✓" if result['validation']['is_valid'] else "✗" print(f"{status} {filename}: {result['original'][:50]}... -> {result['validation']['cleaned'][:30]}...") if __name__ == "__main__": main() ``` ### 5.2 运行验证 ```bash # 运行验证脚本 python3 validate-results.py ``` ## 6. 交互式测试容器 ### 6.1 启动交互式容器进行测试 ```bash # 启动交互式容器 docker run -it --rm \ -v "$(pwd):/data" \ --name tesseract-test \ tesseractshadow/tesseract4re \ /bin/bash # 在容器内手动测试 cd /data tesseract test-images/hex_0.png stdout -c tessedit_char_whitelist=0123456789ABCDEFabcdef --psm 6 tesseract test-images/base64_0.png stdout -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/= --psm 6 ``` ## 7. 一键测试脚本 ### 7.1 创建完整测试流程 ```bash # run-all-tests.sh #!/bin/bash echo "=== Tesseract HEX/Base64 OCR Test ===" # 1. 创建测试图像 echo "Step 1: Creating test images..." python3 create-test-images.py # 2. 批量识别 echo "Step 2: Running batch OCR..." ./batch-recognize.sh # 3. 验证结果 echo "Step 3: Validating results..." python3 validate-results.py echo "=== Test Complete ===" ``` ## 8. 使用不同镜像的对比测试 ### 8.1 多镜像测试脚本 ```bash # compare-images.sh #!/bin/bash IMAGES=("tesseractshadow/tesseract4re" "jitesh/tesseract-ocr") for image in "${IMAGES[@]}"; do echo "Testing with image: $image" docker pull $image mkdir -p "output-${image##*/}" # 测试单张图像 docker run --rm \ -v "$(pwd):/data" \ $image \ tesseract "/data/test-images/hex_0.png" stdout \ -c tessedit_char_whitelist=0123456789ABCDEFabcdef \ --psm 6 > "output-${image##*/}/test_result.txt" echo "Result for $image:" cat "output-${image##*/}/test_result.txt" echo "---" done ``` ## 总结 使用现成的 Tesseract Docker 镜像非常简单： 1. **拉取镜像**：`docker pull tesseractshadow/tesseract4re` 2. **运行识别**：使用 `docker run --rm -v` 挂载目录 3. **配置优化**：通过 `-c tessedit_char_whitelist` 设置字符白名单 4. **批量处理**：通过脚本批量处理多张图像 这种方法无需构建自定义镜像，直接使用现有镜像即可快速验证 Tesseract 对 HEX 和 Base64 字符的识别效果。通过字符白名单和适当的 PSM 参数，可以显著提高识别准确率。