阿坝档案数字化实操：基于Tesseract的藏汉双语OCR部署

一、环境准备与依赖安装

在进行阿坝藏族羌族自治州档案数字化处理时，核心难点在于藏文、羌文与中文的混合识别。本指南采用开源的Tesseract OCR引擎配合Python进行自动化处理。首先需要配置基础运行环境。

1.1 安装Tesseract OCR引擎

Windows系统安装：

直接下载Tesseract 5.3.0或更高版本的安装包。为了避免后续配置环境变量的麻烦，安装时务必勾选“Additional language data（download）”，并在安装路径选择界面，务必将路径设置为C:\Program Files\Tesseract-OCR，这通常是Python库默认的搜索路径。

Linux系统（Ubuntu/Debian）安装：

打开终端，执行以下命令安装核心引擎及常用依赖：

```bash sudo apt update sudo apt install tesseract-ocr tesseract-ocr-chi-sim tesseract-ocr-chi-tra libpng-dev libjpeg-dev libtiff-dev ```

1.2 安装Python依赖库

创建一个独立的虚拟环境以防止库冲突，随后安装图像处理与OCR调用所需的Python库。在命令行中执行：

```bash pip install pytesseract opencv-python pandas pillow numpy ```

这里，pytesseract用于调用Tesseract接口，opencv-python用于对扫描件进行去噪和二值化预处理，pandas用于将识别结果结构化存储。

二、藏汉双语语言包配置

阿坝州档案多为藏汉双语，默认安装的Tesseract仅包含英文和简体中文。为了准确识别藏文，必须手动下载藏文训练数据。

2.1 下载藏文训练数据

访问Tesseract官方GitHub仓库的tessdata目录。你需要下载tib.traineddata（藏文）文件。如果遇到网络问题，请使用国内镜像源搜索该文件。下载完成后，将文件放入Tesseract的tessdata目录中。

Windows路径：C:\Program Files\Tesseract-OCR\tessdata

Linux路径：/usr/share/tesseract-ocr/4.00/tessdata

2.2 验证语言包

在终端或命令行输入以下命令验证语言包是否生效：

```bash tesseract --list-langs ```

输出列表中必须包含chi_sim（简体中文）和tib（藏文）。如果缺少tib，请检查上一步的文件路径是否正确。

三、图像预处理核心代码

由于阿坝州部分早期档案可能存在纸张泛黄、墨迹褪色或扫描噪点，直接识别会导致准确率极低。我们需要编写Python脚本对图像进行灰度化、去噪和二值化处理。

创建一个名为的文件，写入以下代码：

```python import cv2 import numpy as np def preprocess_image(image_path): 读取图像 image = cv2.imread(image_path) if image is None: raise FileNotFoundError(f"无法读取图片: {image_path}") 转换为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 自适应阈值二值化处理 这里的参数11和2是经验值，适用于大多数文字扫描件 cv2.THRESH_BINARY_INV会将背景变白，文字变黑 binary = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2 ) 降噪处理：中值滤波 ksize设为3可以有效去除椒盐噪点而不模糊文字笔画 denoised = cv2.medianBlur(binary, 3) return denoised ```

四、OCR识别与结构化导出

接下来编写主程序，调用预处理函数，并配置Tesseract以识别藏汉双语。我们将识别结果保存为Excel格式，方便后续档案管理系统导入。

创建主文件aba_digitization.py：

```python import pytesseract import cv2 import os import pandas as pd from preprocess import preprocess_image 如果是Windows系统，请手动指定tesseract.exe路径，Linux可忽略 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' def recognize_text(image_path): try: 1. 调用预处理函数 processed_img = preprocess_image(image_path) 2. 配置识别参数 lang='chi_sim+tib' 指定同时使用简体中文和藏文库 --psm 6 假设图像为统一的文本块 -c preserve_interword_spaces=1 保持单词间距，利于藏文识别 custom_config = r'--psm 6 -c preserve_interword_spaces=1' 3. 执行识别 text = pytesseract.image_to_string( processed_img, lang='chi_sim+tib', config=custom_config ) return text.strip() except Exception as e: print(f"识别 {image_path} 失败: {e}") return "" def batch_process(input_folder, output_excel): results = [] supported_ext = ('.jpg', '.jpeg', '.png', '.tif', '.tiff') 遍历文件夹 for filename in os.listdir(input_folder): if filename.lower().endswith(supported_ext): file_path = os.path.join(input_folder, filename) print(f"正在处理: {filename} ...") 提取文本 content = recognize_text(file_path) 记录数据 results.append({ '档案文件名': filename, '识别内容': content, '状态': '成功' if content else '识别为空' }) 导出Excel if results: df = pd.DataFrame(results) df.to_excel(output_excel, index=False, engine='openpyxl') print(f"处理完成，结果已保存至: {output_excel}") else: print("未找到支持的图片文件。") if __name__ == "__main__": 设置输入文件夹路径（请修改为你的实际路径） input_dir = r"./aba_archives" 设置输出Excel路径 output_file = r"./aba_ocr_result.xlsx" batch_process(input_dir, output_file) ```

五、执行与常见错误处理

5.1 准备测试数据

在代码同级目录下创建一个名为aba_archives的文件夹。放入几张阿坝州档案的扫描件（JPG或PNG格式）。为了测试效果，建议放入包含藏文标题和中文正文的图片。

5.2 运行脚本

在终端执行：

```bash python aba_digitization.py ``>

脚本将自动遍历文件夹，对每张图片进行灰度、二值化、降噪处理，然后调用OCR引擎识别，最后生成aba_ocr_result.xlsx文件。

5.3 常见报错解决方案

报错：tesseract is not installed or it's not in your path

这是Windows系统最常见的问题。请检查代码中注释掉的pytesseract.pytesseract.tesseract_cmd这一行，取消注释并确保路径指向你实际的tesseract.exe安装位置。

报错：Failed loading language 'tib'

这说明Tesseract找不到藏文训练数据。请再次确认tib.traineddata文件是否复制到了tessdata文件夹中。在Linux上，可能需要使用sudo权限复制，或者运行sudo ldconfig更新缓存。

识别结果全是乱码

这通常是因为图片分辨率过低。Tesseract要求输入图像的DPI至少为300。如果扫描件是72 DPI（网页截图），识别率会非常低。可以使用ImageMagick工具在预处理前提高分辨率：

```bash convert input.jpg -density 300 output_300.jpg ``>

六、针对羌文档案的特殊处理说明

虽然Tesseract官方库暂未提供标准的羌文训练数据，但针对阿坝州档案中的羌文内容，我们可以采用以下变通方案：

1. 字体训练： 如果档案量巨大且包含大量羌文，需要收集羌文字体图片，使用Tesseract的tesstrain.sh脚本进行自定义模型训练。这需要准备约100张清晰的不同羌文样本图。

2. 通用字符集： 对于少量的羌文专有名词，可以在代码中临时将语言参数切换为lang='chi_sim+eng'，因为部分羌文在字形上与某些英文字符或藏文部件有重叠，通用模型有时能勉强识别出部分字符，但准确率不如藏文和中文。

通过以上步骤，你已经构建了一个完整的、针对阿坝藏族羌族自治州档案特性的数字化处理流水线。从环境搭建到代码实现，所有环节均基于开源工具，无需购买昂贵的商业OCR软件即可直接落地使用。