tesseract

在 R 里一行代码把图片文字变成数据框

tesseract 是一个为 R 语言提供 Tesseract OCR 引擎绑定的开源包，让 R 用户无需离开统计与数据分析环境即可对图片做文字识别。它解决的核心问题是：R 在图像文本提取方面能力薄弱，而 Tesseract 本身是 C++ 项目，直接调用门槛高。该包封装了引擎的初始化、语言包选择、页面分割模式、识别引擎模式等参数，提供 ocr()、ocr_data() 等接口，可返回纯文本或带置信度、边界框的结构化数据，方便后续用 dplyr 等工具清洗与分析。它支持多语言识别、PDF 与图片输入，并可与 magick 包配合做预处理。对于需要批量处理扫描件、发票、报表并直接进入 R 数据管道的用户，它把 OCR 变成了一个普通的函数调用。