# 安装简体中文语言包
sudo apt install tesseract-ocr-chi-sim

# 基本识别
tesseract chinese.png stdout -l chi_sim

# 中英文混合（推荐）
tesseract mixed.png stdout -l chi_sim+eng

import pytesseract
from PIL import Image

img = Image.open('chinese.png')

# 纯中文
text = pytesseract.image_to_string(img, lang='chi_sim')

# 中英文混合
text = pytesseract.image_to_string(img, lang='chi_sim+eng')
print(text)

# 安装繁体中文
sudo apt install tesseract-ocr-chi-tra

# 繁体识别
tesseract traditional.png stdout -l chi_tra

# 简繁混合
tesseract mixed.png stdout -l chi_sim+chi_tra+eng

import pytesseract
from PIL import Image
import cv2
import numpy as np

def ocr_chinese(image_path):
    """优化的中文 OCR"""
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 1. 对比度增强（中文笔画多，需要更高对比度）
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    enhanced = clahe.apply(gray)
    
    # 2. 自适应二值化（中文适合自适应）
    binary = cv2.adaptiveThreshold(
        enhanced, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
        cv2.THRESH_BINARY, 15, 8
    )
    
    # 3. 形态学操作（连接断裂笔画）
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
    morphed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
    
    # 4. OCR 识别
    pil_img = Image.fromarray(morphed)
    text = pytesseract.image_to_string(
        pil_img, 
        lang='chi_sim+eng',
        config='--psm 6 --oem 1'
    )
    
    return text

# 安装日文语言包
sudo apt install tesseract-ocr-jpn

# 日文识别
tesseract japanese.png stdout -l jpn

# 日英混合
tesseract mixed.png stdout -l jpn+eng

# 日文垂直书写（竖排）
tesseract vertical_jp.png stdout -l jpn --psm 5

# 安装阿拉伯文语言包
sudo apt install tesseract-ocr-ara

# 阿拉伯文识别（RTL 从右到左）
tesseract arabic.png stdout -l ara

# 阿拉伯文 + 英文
tesseract mixed.png stdout -l ara+eng

import pytesseract
from PIL import Image

img = Image.open('arabic.png')

# 使用 PSM 6 适合统一文本块
text = pytesseract.image_to_string(
    img, 
    lang='ara+eng',
    config='--psm 6'
)

# 注意：输出文本可能需要 RTL 处理
lines = text.strip().split('\n')
for line in lines:
    print(line)  # 可能需要反向显示

# 亚洲语言
sudo apt install tesseract-ocr-jpn        # 日文
sudo apt install tesseract-ocr-kor        # 韩文
sudo apt install tesseract-ocr-tha        # 泰文
sudo apt install tesseract-ocr-vie        # 越南文
sudo apt install tesseract-ocr-hin        # 印地文

# 欧洲语言
sudo apt install tesseract-ocr-deu        # 德文
sudo apt install tesseract-ocr-fra        # 法文
sudo apt install tesseract-ocr-spa        # 西班牙文
sudo apt install tesseract-ocr-por        # 葡萄牙文
sudo apt install tesseract-ocr-ita        # 意大利文
sudo apt install tesseract-ocr-rus        # 俄文
sudo apt install tesseract-ocr-nld        # 荷兰文
sudo apt install tesseract-ocr-pol        # 波兰文
sudo apt install tesseract-ocr-tur        # 土耳其文

# 中东语言
sudo apt install tesseract-ocr-ara        # 阿拉伯文
sudo apt install tesseract-ocr-heb        # 希伯来文
sudo apt install tesseract-ocr-fas        # 波斯文

# 查看所有已安装语言
tesseract --list-langs

# 查看所有可用语言（包括未安装的）
apt list 2>/dev/null | grep tesseract-ocr-

# 方法 1: 指定多语言（推荐）
tesseract image.png stdout -l chi_sim+eng

# 方法 2: 使用脚本模型（实验性）
tesseract image.png stdout -l Han+Latin

import pytesseract
from PIL import Image

def detect_language(image_path):
    """使用 OSD 检测脚本类型"""
    img = Image.open(image_path)
    
    # OSD 检测
    osd = pytesseract.image_to_osd(img, output_type=pytesseract.Output.DICT)
    
    script = osd['script']
    confidence = osd['script_conf']
    
    # 脚本到语言映射
    script_lang_map = {
        'Han': 'chi_sim',
        'Latin': 'eng',
        'Japanese': 'jpn',
        'Korean': 'kor',
        'Arabic': 'ara',
        'Cyrillic': 'rus',
        'Devanagari': 'hin',
    }
    
    detected_lang = script_lang_map.get(script, 'eng')
    
    print(f"检测脚本: {script} (置信度: {confidence:.2f})")
    print(f"推荐语言: {detected_lang}")
    
    return detected_lang

import pytesseract
from PIL import Image

img = Image.open('image.png')

# 只识别数字
text = pytesseract.image_to_string(
    img, 
    lang='eng',
    config='--psm 6 -c tessedit_char_whitelist=0123456789'
)

# 只识别中文和数字
text = pytesseract.image_to_string(
    img,
    lang='chi_sim+eng',
    config='--psm 6 -c tessedit_char_whitelist=0123456789一二三四五六七八九十百千万亿'
)

# 排除某些字符
text = pytesseract.image_to_string(
    img,
    config='-c tessedit_char_blacklist=|[]{}'
)

# 竖排中文（PSM 5）
tesseract vertical_cn.png stdout -l chi_sim --psm 5

# 竖排日文
tesseract vertical_jp.png stdout -l jpn --psm 5

import cv2
import numpy as np

def detect_vertical_text(image_path):
    """检测是否为竖排文本"""
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    
    # 二值化
    _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    
    # 计算投影
    h_proj = np.sum(binary, axis=1)  # 水平投影
    v_proj = np.sum(binary, axis=0)  # 垂直投影
    
    # 分析投影分布
    h_peaks = np.where(h_proj > np.mean(h_proj) * 1.5)[0]
    v_peaks = np.where(v_proj > np.mean(v_proj) * 1.5)[0]
    
    # 竖排文本特征：水平投影间隔均匀，垂直投影连续
    if len(v_peaks) > len(h_peaks) * 1.5:
        return True, "竖排文本"
    else:
        return False, "横排文本"

is_vertical, desc = detect_vertical_text('text.png')
print(f"检测结果: {desc}")

# 安装数学公式模型
sudo apt install tesseract-ocr-equ

# 识别数学公式
tesseract formula.png stdout -l equ

# 目前 Tesseract 不原生支持音乐符号
# 可尝试使用 osd 检测后选择最接近的脚本

# 使用 combine_tessdata 查看语言包结构
combine_tessdata -u /usr/share/tesseract-ocr/5/tessdata/chi_sim.traineddata chi_sim.

# 查看组件
ls chi_sim.*
# chi_sim.config  chi_sim.lstm  chi_sim.lstm-number  chi_sim.lstm-punc
# chi_sim.lstm-unicharset  chi_sim.word-freq

# 下载 best 版本（高精度）
cd /usr/share/tesseract-ocr/5/tessdata/
sudo wget https://github.com/tesseract-ocr/tessdata_best/raw/main/chi_sim_best.traineddata
sudo mv chi_sim_best.traineddata chi_sim.traineddata