如何正确配置Tesseract变量优化代码识别并解决运行报错

报错根因 #

报错是两个独立问题叠加导致的：

1. 参数语法错误：Tesseract的-c参数每次仅能传递一个配置项，设置load_freq_dawg时漏写了前缀-c，程序直接将load_freq_dawg=0识别为待读取的自定义参数文件路径，触发参数文件读取失败报错。
2. 引擎与语言包不匹配：指定--oem 0强制使用传统Legacy OCR引擎，但当前系统中安装的eng.traineddata是仅支持LSTM引擎的精简语言包，没有Legacy引擎所需的组件，后续触发引擎加载失败、语言包加载失败、初始化失败的连锁报错。

修复步骤 #

• 安装完整版英文语言包
  Debian/Ubuntu系系统直接执行命令安装官方源内的完整英文语言包：

  sudo apt update && sudo apt install --reinstall tesseract-ocr-eng
  

  安装完成后确认/usr/share/tesseract-ocr/4.00/tessdata/eng.traineddata文件存在，且文件大小不低于15MB（精简版仅几MB，不含Legacy组件）。
• 修正命令参数写法
  每个自定义配置项前必须加-c前缀，代码识别场景推荐使用默认的--oem 3（双引擎自动适配，LSTM优先，识别精度远高于纯Legacy模式），正确命令如下：

  tesseract img.jpg output.txt --oem 3 -c load_system_dawg=false -c load_freq_dawg=false
  

  配置项赋值用false或0效果完全一致，执行后即可正常禁用字典功能，适配代码识别无固定通用词组的特征。
• （可选）代码识别优化配置
  可增加字符白名单配置，限定仅识别代码常用字符，进一步降低误识别率：

  tesseract img.jpg output.txt --oem 3 -c load_system_dawg=false -c load_freq_dawg=false -c tessedit_char_whitelist="abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789{}[]()<>+-*/=;:'\",.#_\\|!?@$%^&"
  

内容的提问来源于stack exchange，提问作者CSDUG