Tesseract特殊字符白名单失效及空格丢失问题求助

你的问题主要由三个参数配置错误导致：

1. 语言包参数错误：-l Latin不是Tesseract支持的语言代码，Tesseract的-l参数需要指定具体的语言包（如西班牙语spa，这类语言原生支持ñ、á等特殊字符），而不是脚本名称。
2. 白名单遗漏空格：你设置的tessedit_char_whitelist中没有包含空格字符，Tesseract会过滤掉所有不在白名单内的字符，自然不会输出单词间的空格。
3. 命令行编码问题：Windows默认命令行编码为GBK，直接输入UTF-8编码的特殊字符（如ñ、á）会导致Tesseract无法正确解析白名单中的这些字符，从而忽略它们。

• 安装并使用正确的语言包
  下载安装西班牙语语言包（spa.traineddata），将其放入Tesseract的tessdata目录，然后将命令中的-l Latin替换为-l spa。

• 修正白名单并处理编码

  1. 先在命令行执行chcp 65001切换到UTF-8编码，确保特殊字符能正确传递。
  2. 更新白名单，加入空格字符，修改后的命令如下：

     tesseract text.png stdout --psm 6 -l spa -c tessedit_char_whitelist="aáeéiocfhklmnñtÑ "
     

  （注意白名单末尾的空格，用引号包裹避免命令行解析错误）

• 调整PSM模式（可选）
  如果--psm 6（假设文本为单一均匀块）不适合你的图像，可以尝试更合适的模式，比如：

  • --psm 3：默认模式，自动处理分页、分段
  • --psm 11：针对稀疏文本，尽可能识别所有可见文本

• 使用配置文件规避编码问题（可选）
  创建一个文本文件whitelist.cfg，内容如下：

  tessedit_char_whitelist aáeéiocfhklmnñtÑ 
  

  然后执行命令：

  tesseract text.png stdout --psm 6 -l spa --user-words whitelist.cfg
  

内容的提问来源于stack exchange，提问作者lisa