Knowledge/1 使用/ocr/tesseract ocr.md

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

# 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

# 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

# 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

# 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

# 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

# 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

# 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

# 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

# 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

# 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

# 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

# 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。