如何在Alpine Linux中安装Tesseract标准英文（eng）语言包？

我正在基于Alpine构建依赖Tesseract进行OCR的Docker镜像。Tesseract官网显示有两种英文语言包：eng（现代英语）和enm（中世纪英语），但我无法在Alpine上安装eng版本。

我的Dockerfile内容如下：

FROM eclipse-temurin:17-jre-alpine as tesseract-master

RUN apk update && apk add tesseract-ocr
RUN apk update && apk add tesseract-ocr-data-eng

构建时提示找不到eng语言包，查看Alpine官方仓库后确认确实没有这个包。我能安装enm包，但担心它在现代英语场景下的识别效果会有问题。有人成功在Alpine上安装过eng包吗？

解决办法 #

Alpine的官方软件源里确实没有收录tesseract-ocr-data-eng包，不过有两种可行的方案：

1. 手动下载官方语言包 #

直接从Tesseract的官方训练数据仓库下载eng语言包，放到Alpine镜像中Tesseract默认读取的tessdata目录即可：

FROM eclipse-temurin:17-jre-alpine as tesseract-master

RUN apk update && apk add tesseract-ocr wget
# 确保tessdata目录存在
RUN mkdir -p /usr/share/tessdata/
# 下载现代英语训练数据
RUN wget -O /usr/share/tessdata/eng.traineddata https://github.com/tesseract-ocr/tessdata/raw/main/eng.traineddata
# 可选：验证文件是否成功下载
RUN test -f /usr/share/tessdata/eng.traineddata && echo "eng语言包安装完成"

2. 使用第三方预构建镜像 #

如果你不想手动处理下载步骤，可以选择一些第三方提供的、预装好完整Tesseract语言包的Alpine镜像作为基础镜像，不过这种方式会依赖第三方镜像的维护情况，不如手动下载稳定可控。

另外需要注意：enm包是专门针对中世纪英语训练的，其字符集和拼写规则与现代英语差异较大，用来识别现代文本会出现大量错误，完全不适合替代eng包使用。

内容的提问来源于stack exchange，提问作者Rodrigo Diaz