Tesseract：给扫描图片补搜索层，也留下逐词核对的位置

把纸质资料扫描成图片 PDF 后，页面看起来很完整，却搜不到里面的名字。Tesseract 提供的一个朴素而实用的成果，是在原图之外补上一层可搜索文字。它还可以留下每个词所在的位置，供之后制作校对界面；因此，同一轮 OCR 不必只保存一份难以回溯的纯文本。

搜索层保留了什么

官方命令行文档使用 eurotext.png 演示多语言识别。在命令末尾加上 pdf，得到的文件保留输入图片，并增加独立的可搜索文字层。观看时仍能看到原页面，搜索与复制则依赖识别出的文字。

这适合解释一个归档任务：假设要整理一组中文旧通知，先把扫描页作为图片交给 OCR，再让生成的 PDF 进入资料夹。页面的原貌不会因为某个字识别错了而消失，但那个字可能搜不到，或复制出错。这是由文字层工作方式决定的边界，不能把“可搜索”理解成“已经校对正确”。

Tesseract 本身接受 PNG、JPEG、TIFF 等图片，仓库特别说明其图像读取库不负责打开 PDF。因此，对已有扫描 PDF，需要先有把页面转成图片的环节；不能把文档里的图片示例命令直接换成任意 PDF 路径，就当成完整 PDF 转换方案。

需要核对时，保存词与位置的关系

同一份官方文档还展示了 TSV。结果不仅有 text，也有 page_num、段落和行编号，以及 left、top、width、height。示例中的词 “The” 对应一个具体矩形框，并带有置信度；页面、区域等结构行则可能使用 -1，它不是低质量词的同义词。

由此可以搭一个很具体的校对流程：显示某行识别文本，按坐标打开原图对应区域，让人核对数字或姓名。这里的界面需要另外开发，Tesseract 只提供原料。hOCR 也保存页面、行、词层级，在 HTML 标记中携带位置和词置信度，适合需要保留结构的下游；只存 TXT 就没有这些定位信息。

中文资料要选语言数据，而非依赖默认值

项目 README说明当前稳定主版本为 5，项目包括引擎和命令行程序，不包含 GUI。默认识别语言是英语；官方语言数据说明列出简体中文 chi_sim、繁体中文 chi_tra，需要安装相应的 traineddata 并显式选择。混合语言可用加号组合，但官方也提醒语言顺序会影响输出与用时。

语言数据还有 tessdata_fast、tessdata_best 等不同系列。后两者只支持 LSTM 引擎，不能与旧式引擎参数任意搭配；其速度与精度说明来自官方特定评估，不代表中文档案的固定准确率。代码采用 Apache 2.0，图像质量仍会影响识别。

对资料归档来说，可以先确定自己最终要交付的东西：让人搜索原扫描页，保存 PDF；让人逐处校正识别文字，同时保存 TSV 或 hOCR。把原图与识别结果的关系留下来，后续纠错就有了具体落点。