优点：能在网页上跑的ocr。

1.引入模块

yarn add tesseract.js

2.将js移到public文件夹，保证内网可用

worker.min.js 和 tesseract-core.wasm.js从node_module里面移到public， 下载中文训练数据chi_sim.traineddata.gz，也放到public的指定文件夹内。

示例结构如下，可按个人喜好修改目录结构

- public
    - tesseract.js
		- lang-data
			- chi_sim.traineddata.gz
		- worker.min.js
		- tesseract-core.wasm.js

3.封装前端组件

<script lang="ts" setup>
import { ref } from "vue"
import { ElMessage } from "element-plus"
import { createWorker, PSM, OEM ,Worker} from "tesseract.js"
const image = ref("")
const value = ref("")
let worker:Worker

(async() => {
  worker = await createWorker({
    workerPath: "/tesseract.js/worker.min.js",
    langPath: "/tesseract.js/lang-data",
    corePath: "/tesseract.js/tesseract-core.wasm.js",
    logger: m => console.log(m)
  })
})()
const ready = ref(false)
const pasteHandle = (event: ClipboardEvent) => {
  const { items } = event.clipboardData || (window as any).clipboardData
  let file = null
  if (!items || items.length === 0) {
    ElMessage.error("当前浏览器不支持本地")
    return
  }
  // 搜索剪切板items
  for (let i = 0; i < items.length; i++) {
    if (items[i].type.indexOf("image") !== -1) {
      file = items[i].getAsFile()
      break
    }
  }
  if (!file) {
    ElMessage.error("粘贴内容非图片")
    return
  }
  image.value = URL.createObjectURL(file);

  (async() => {
    if(!ready.value) {
      await worker.load()
      await worker.loadLanguage("chi_sim")
      await worker.initialize("chi_sim",OEM.LSTM_ONLY)
      await worker.setParameters({
        tessedit_pageseg_mode: PSM.SINGLE_BLOCK
      })
      ready.value = true
    }
    const {data:{text}} = await worker.recognize(image.value)
    value.value = text 

  })()
}
</script>
<template>
  <div class=" border-2 border-dashed border-gray-500 p-4 rounded text-center" @paste="pasteHandle">
    <img v-if="image" :src="image" class="border"/>
    点击此处，按Ctrl+V，将图片粘贴到这里
  </div>
  <el-input v-model="value" class="mt-1"></el-input>
</template>

4.存在问题

识别率过低，严重到基本可以弃用。

5.windows训练数据(没成功）

为了能解决识别率低的问题，寻思可能自己训练会好点。

5.0 准备字库

找个一级和二级字表，大概6500个中文，网上找个word拷到文本文档即可。

用换行符或制表符隔开文字。可用vscode正则替换，(.) 替换成 $1\n或 $1\t

5.1 下载 tesseract4

下载地址： https://digi.bib.uni-mannheim.de/tesseract/

选tesseract-ocr-setup-4.00.00dev.exe 下载即可。

安装时选上下载语言模型

5.2 配置环境变量

• 在Path加上安装后的目录地址。
• 添加TESSDATA_PREFIX变量，值为 "{安装目录}\tessdata"

5.3 训练

以下是网上抄的一些指令，实际上到最后一步都是报错，不是 Image too small... 又不就Image to large....又不就Can't encode transcription。

无论是改字体大小，还是改psm参数都没法处理。已经放弃了，等下次有时间在研究吧

chcp 65001
::语言
set lang=chi_sim
::字体名称，从步骤0获取
set fontName=Microsoft YaHei
::字体自命名
set font=Microsoft_YaHei
set root=%cd%
:: 0.查看可使用字体
::text2image --list_available_fonts --fonts_dir=C:\Windows\Fonts
:: 1.生成.tif和.box
if not exist data ( mkdir data)
text2image --text="text2.txt" --outputbase=".\data\%lang%.%font%.exp0" --fontconfig_tmpdir="%temp%" --font="%fontName%" --fonts_dir="C:\Windows\Fonts" --ptsize=64
:: 2.生成.lstmf -l 语言 -psm 识别模式
if not exist lstmf (mkdir lstmf)
tesseract .\data\%lang%.%font%.exp0.tif .\lstmf\%lang%.%font%.exp0 -l %lang% --psm 7 lstm.train
:: 3.从已有的.traineddata 提取 .lstm
if not exist lstm ( mkdir lstm)
combine_tessdata -e .\traineddata\%lang%.traineddata .\lstm\%lang%.lstm
:: 4.训练(需要先新建training_files.txt文件，并且内容为lstmf的路径，一行一个)
if not exist output (mkdir output)
lstmtraining --model_output=".\output" --continue_from=".\lstm\chi_sim.lstm"  --train_listfile=".\training_files.txt"  --debug_interval -1 --max_iterations 800