Tesseract.js如何识别英阿双语证件或忽略指定语言识别？

问题场景 #

使用Tesseract.js处理同时包含英文、阿拉伯文的证件图像时，仅加载英文模型会导致阿拉伯文内容识别结果错乱，破坏最终输出。原有仅加载英文模型的代码如下：

const convertImageToText = useCallback(async () => {
    if (!selectedImage) return;
    await worker.load(); // 加载tesseract.js工作线程
    await worker.loadLanguage("eng"); // 加载英文语言包
    await worker.initialize("eng"); // 初始化英文识别配置
    const { data } = await worker.recognize(selectedImage);
    setTextResult(data.text);
}

可选处理方案 #

根据实际需求选择对应方案即可：

• 方案一：同时识别英文+阿拉伯文
  Tesseract.js原生支持多语言同时识别，只需要在加载、初始化语言包时，传入用+拼接的多语言代码即可，阿拉伯文对应的语言代码为ara。
  修改后代码：

const convertImageToText = useCallback(async () => {
    if (!selectedImage) return;
    await worker.load();
    // 同时加载英文、阿拉伯文语言包
    await worker.loadLanguage("eng+ara");
    // 用双语言配置初始化识别器
    await worker.initialize("eng+ara");
    const { data } = await worker.recognize(selectedImage);
    setTextResult(data.text);
}

提示：双语言模式会增加首次运行的语言包下载体积，识别耗时也会略高于单语言模式。

• 方案二：忽略阿拉伯文，仅保留英文识别结果
  如果不需要提取阿拉伯文内容，可以通过设置识别字符白名单的方式，强制识别器只匹配英文字符、数字和常用英文标点，彻底避免阿拉伯文产生的乱码：

const convertImageToText = useCallback(async () => {
    if (!selectedImage) return;
    await worker.load();
    await worker.loadLanguage("eng");
    await worker.initialize("eng");
    // 配置字符白名单，仅允许识别指定范围内的英文字符
    await worker.setParameters({
        tessedit_char_whitelist: 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789 .,-:;()/\'"'
    });
    const { data } = await worker.recognize(selectedImage);
    setTextResult(data.text);
}

如果证件上英文、阿拉伯文的区域边界清晰，也可以提前通过图像裁剪去掉阿拉伯文所在区域后再做识别，能进一步提升英文识别的准确率。

内容的提问来源于stack exchange，提问作者חזי ראובני