如何为React Native中的Tesseract OCR添加乌尔都语识别支持

核心原因 #

react-native-tesseract-ocr 仅内置了常用语言的常量定义，默认未打包乌尔都语对应的Tesseract训练数据，仅修改语言常量参数会因为加载不到训练文件导致无识别结果。 #

配置步骤 #

• 1. 确认你当前使用的库依赖的Tesseract底层版本，下载对应版本的urd.traineddata训练文件
• 2. 分平台放置训练文件：
  • Android端：在android/app/src/main/assets/目录下新建tessdata文件夹，将urd.traineddata放入该目录，打包时会自动打入apk资源包
  • iOS端：将urd.traineddata拖入Xcode项目的Resources目录，勾选「Copy items if needed」和你的应用target，确保文件会被编译进ipa资源目录
• 3. 调整识别代码配置，参考示例如下：

import TesseractOcr, {
  LANG_URDU,
  useEventListener,
} from 'react-native-tesseract-ocr';

// 乌尔都语识别调用方法
const recognizeUrdu = async (imageUri) => {
  const config = {
    lang: LANG_URDU,
    pageSegMode: 6, // 适配单块统一文本场景，印刷类内容识别准确率更高
    allowlist: undefined, // 禁止设置英文白名单，避免乌尔都语字符被过滤
  };
  try {
    const textResult = await TesseractOcr.recognize(imageUri, config);
    return textResult;
  } catch (e) {
    console.error('识别错误：', e);
  }
};

异常排查 #

• 确认训练文件名称完全为urd.traineddata，拼写错误、大小写错误都会导致加载失败
• 打包后验证训练文件是否存在于安装包的对应资源目录
• 识别前对图片做预处理：调整对比度、摆正文字方向，乌尔都语为从右到左书写的文字，图片旋转会大幅降低识别率
• 纯乌尔都语识别不要传入多语言参数，避免识别优先级冲突导致无结果

内容的提问来源于stack exchange，提问作者Bilal