Tesseract训练BM Mini字体时mftraining报tr文件格式错误如何解决？

核心问题根因 #

• 脚本执行顺序错误：你先执行box.train生成.tr文件，之后才生成font_properties文件，导致.tr文件无法正确关联字体标识，内部格式损坏，mftraining读取时就会抛出格式类错误
• 存在无效命令：脚本中font_properties eng.inttemp eng.normproto *.tr *.txt是错误命令，font_properties是配置文件不是可执行程序，执行该行会产生垃圾输出干扰后续文件生成
• 命令参数符号错误：你写的mftraining命令中参数前的是长破折号–，不是可识别的半角短横-，会导致参数解析失败

解决步骤 #

1. 先清空当前目录下所有生成的中间文件，包括*.tr、unicharset、font_properties、.inttemp、.normproto等，避免旧文件干扰
2. 调整脚本执行顺序，修正后的参考脚本如下：

tesseract='C:/Program Files/Tesseract-OCR/tesseract.exe'
# 第一步：先生成font_properties配置文件
echo "bmmini 0 0 0 0 0" > font_properties
# 第二步：生成.tr训练文件
"$tesseract" eng.bmmini.exp0.png eng.bmmini.exp0 nobatch box.train
# 第三步：提取字符集文件
unicharset_extractor eng.bmmini.exp0.box
# 第四步：执行特征训练，注意参数前为半角短横
mftraining -F font_properties -U unicharset -O eng.unicharset eng.bmmini.exp0.tr
# 后续补充cntraining步骤即可继续完成训练
cntraining eng.bmmini.exp0.tr

3. 若调整后仍报错，按以下方法校验box文件：

• 打开box文件检查每一行格式是否符合字符 左坐标 下坐标 右坐标 上坐标 页码规范，所有坐标为正整数，无乱码、特殊字符、空格缺失
• 检查文件无空行，末尾无多余换行，保存编码为UTF-8

内容的提问来源于stack exchange，提问作者user17223731