Tesseract

Какую задачу решает

Распознаёт печатный текст на картинках и сканах: договоры, счета, чеки, визитки, снимки экрана. Понимает русский и ещё больше 100 языков, работает на твоём компьютере без интернета, документы никуда не уходят. Из скана собирает PDF, в котором текст ищется и копируется.

• Переводит скан договора или счёта в текст: агент читает его, ищет нужное и сверяет с другими документами.
• Собирает из сканов PDF с невидимым текстовым слоем: страница выглядит как скан, а слова в ней ищутся и копируются.
• Читает фото чеков, визитки и снимки экрана: суммы, телефоны, почту и ИНН для таблицы или сверки.
• Ставит каждому слову оценку уверенности (вывод tsv): агент показывает места, которые стоит проверить глазами.

Пример результата

Установить агентом

Установи программу «Tesseract». Работай по шагам и после каждого коротко говори, что сделал.

Что это за программа (каталог smyslokod.ru, официальные источники сверены 01.10.2026):
- официальный сайт: https://tesseract-ocr.github.io/
- исходный код: https://github.com/tesseract-ocr/tesseract
- инструкция по установке: https://tesseract-ocr.github.io/tessdoc/Installation.html
- актуальная версия на 01.10.2026: 5.5.3
- лицензия: Apache-2.0
- для работы нужно (обязательно): Русская языковая модель (rus) - без неё -l rus не работает; ставится отдельно: tesseract-ocr-rus в Ubuntu и Debian, tesseract-langpack-rus в Fedora, tesseract-lang в Homebrew, tesseract-rus в MacPorts, пункт Russian в установщике Windows
- для работы нужно (в отдельных случаях): ImageMagick - подготовить плохие фото и снимки экрана перед распознаванием: серый цвет, увеличение, выравнивание наклона, убрать тень
- для работы нужно (в отдельных случаях): Poppler (pdftoppm и pdftotext) - разобрать PDF-скан на картинки страниц и проверить, что в готовом PDF ищется текст
- для работы нужно (в отдельных случаях): Homebrew - на Mac проще всего ставить через него

Правила:
1. Ничего не устанавливай и не меняй, пока я не скажу «да» на твой план.
2. Ставь только способами из этого промпта. Сторонние сборки, скрипты с форумов и из чужих репозиториев не бери.
3. Мои проекты не трогай: не меняй их файлы, виртуальные окружения и списки зависимостей (package.json, requirements.txt, pyproject.toml).
4. Команды с sudo, правку профиля оболочки (~/.zshrc, ~/.bashrc) и переменной PATH делай только после моего отдельного «да» на каждую.
5. Не проси у меня пароли и ключи и не выводи их. Если нужен пароль администратора, дай команду, я выполню её сам.
6. Если в тексте может быть латиница (почта, сайты, названия), распознавай с -l rus+eng: с одним rus латинские буквы превращаются в русские.
7. Исходные картинки и сканы не меняй: подготовленные копии и результаты клади в отдельную папку.
8. После распознавания сверяй числа: пересчитай сумму строк и итог, проверь, что в ИНН 10 или 12 цифр, покажи мне места, где сомневаешься (слова с уверенностью ниже 60 в выводе tsv). Не выдавай распознанный текст за точную копию документа.
9. Если ошибок много, подготовь копию картинки в ImageMagick (серый цвет, увеличение в 2-3 раза, -deskew, -lat) и распознай снова; ставить ImageMagick - только с моего «да». Если и так плохо, скажи мне и попроси переснять: ровно, при хорошем свете, без тени.
10. PDF и фото HEIC в tesseract не подавай: PDF разбери на картинки страниц (pdftoppm -r 300 -png), HEIC переведи в JPEG. Если для этого нужна новая программа, спроси меня.
11. Языковые модели (.traineddata) бери только из пакетов системы, Homebrew, MacPorts, установщика или репозиториев tesseract-ocr/tessdata_fast и tessdata_best. Модели с других сайтов не скачивай.
12. Сканы с личными данными (паспорта, договоры, чеки) не отправляй в облачные сервисы распознавания без моего «да»: Tesseract распознаёт их на этом компьютере.
13. На Windows после установки запускай программу по полному пути "C:\Program Files\Tesseract-OCR\tesseract.exe": установщик не добавляет её в PATH.

Шаги:
0. Определи, где ты работаешь: мой компьютер, сервер или контейнер. Какая система и процессор, какие менеджеры пакетов есть (Homebrew, apt, winget, uv, pipx). Ставить нужно туда, где ты сам запускаешь команды.
   - на компьютере: на Mac - Homebrew или MacPorts, на Windows - winget или установщик, на Linux - пакет дистрибутива. Распознавание идёт на этом компьютере, сканы никуда не отправляются.
   - на сервере: пакетом дистрибутива: в Ubuntu и Debian это tesseract-ocr и tesseract-ocr-rus. Видеокарта не нужна, страница A4 распознаётся меньше чем за секунду на одном ядре.
   - в контейнере: в чистом образе Ubuntu 24.04 apt ставит Tesseract 5.3.4 с русской моделью за 10 секунд: 74 пакета, около 104 МБ. Homebrew в таком контейнере ставит 5.5.3, но тянет ещё 49 зависимостей, папка Cellar вырастает до 1,2 ГБ.
1. Проверь, не стоит ли программа уже: tesseract --version ; tesseract --list-langs. Если стоит и запускается, ничего не ставь и переходи к шагу 5.
2. Проверь, что есть всё нужное для работы: Русская языковая модель (rus). Чего нет, внеси в план отдельным пунктом. Проверь свободное место на диске: нужно около 104 МБ через apt в чистой Ubuntu 24.04 (74 пакета вместе с русской моделью, сама модель rus - 3,9 МБ); через Homebrew программа около 32 МБ и остальные языки 686 МБ (скачиваются одним файлом 345 МБ) плюс зависимости, которых ещё нет; установщик для Windows весит 26,6 МБ и докачивает выбранные языки; модель rus из tessdata_best - 15,3 МБ.
3. Составь план: каким одним способом из списка ниже будешь ставить, что появится на диске и сколько места займёт, что поменяется в системе и как потом удалить. Покажи план и жди моего «да».
   Способы из официальных источников:
   - macOS и Linux, Homebrew: brew install tesseract tesseract-lang (в самой формуле tesseract только английский; tesseract-lang добавляет остальные языки разом, около 690 МБ, и всего их становится 162)
   - macOS, MacPorts: sudo port install tesseract tesseract-rus (русский - отдельный порт tesseract-rus, остальные языки не ставятся)
   - Windows, winget: winget install --id tesseract-ocr.tesseract -e (ставит тот же установщик с GitHub проекта; русский докачивается сам только на Windows с русским языком системы, иначе модель rus.traineddata кладут в папку tessdata вручную; в PATH программа не попадает)
   - Windows, установщик с GitHub: .\tesseract-ocr-w64-setup-5.5.3.20260724.exe (файл скачать со страницы выпуска; в разделе Additional language data (download) отметь Russian, на Windows с русским языком системы он отмечен сам; папку оставь ту, что предлагает установщик; в PATH программа не добавляется)
   - Linux, apt: sudo apt install tesseract-ocr tesseract-ocr-rus (Ubuntu и Debian; в Ubuntu 24.04 это 5.3.4, модели те же, что у 5.5.3)
   - Linux, dnf: sudo dnf install tesseract tesseract-langpack-rus (Fedora; в Fedora 44 это 5.5.3)
4. Установи по согласованному плану. Если что-то идёт не так, как в плане, остановись и спроси.
5. Проверь результат:
   - tesseract --version: программа запускается без ошибки;
   - Сделай картинку с русским текстом программой text2image, она ставится вместе с Tesseract. Распознай её с -l rus+eng сразу в текст и в PDF и сравни с исходником. Шрифт с кириллицей возьми из списка text2image --list_available_fonts --fonts_dir=<папка шрифтов>: на Linux подойдёт DejaVu Sans из /usr/share/fonts, на Mac - Arial из /System/Library/Fonts, на Windows - Arial из C:\Windows\Fonts. Если text2image нет, сделай картинку тем, что уже стоит, и ничего нового не ставь. Если есть pdftotext, проверь, что в PDF ищется «185 000». Делай это во временной папке и не трогай мои файлы.
     printf 'Счёт № 245 от 29 сентября 2026 г.\nИтого к оплате: 185 000 рублей\n' > source.txt
     text2image --text=source.txt --outputbase=check --font='DejaVu Sans' --fonts_dir=/usr/share/fonts
     tesseract check.tif result -l rus+eng txt pdf
     cat result.txt
     pdftotext result.pdf - | grep '185 000'
   - если ты работаешь в папке моего проекта, покажи git status: от установки в проекте не должно появиться изменений.
6. Итог одним сообщением: что установлено, какой версии и куда, сколько места заняло, что поменялось в системе и как всё удалить (macOS и Linux, Homebrew: brew uninstall tesseract-lang tesseract; macOS, MacPorts: sudo port uninstall tesseract-rus tesseract; Windows, winget: winget uninstall --id tesseract-ocr.tesseract -e; Windows, установщик с GitHub: & "$env:ProgramFiles\Tesseract-OCR\tesseract-uninstall.exe"; Linux, apt: sudo apt remove tesseract-ocr tesseract-ocr-rus; Linux, dnf: sudo dnf remove tesseract tesseract-langpack-rus).

Если на любом шаге ошибка, не чини наугад: покажи текст ошибки и скажи, что, по-твоему, случилось. Частые проблемы: https://smyslokod.ru/cli/tesseract#problemy

Промпт собран из официальных инструкций, сверенных 01.10.2026. Агент сначала проверит, что уже стоит, покажет план с местом на диске и способом удаления и без твоего «да» ничего не поставит.

Как ставят вручную

Способы из официальных источников, у каждого ссылка на первоисточник.

• macOS и Linux · Homebrew · источник

  brew install tesseract tesseract-lang

  в самой формуле tesseract только английский; tesseract-lang добавляет остальные языки разом, около 690 МБ, и всего их становится 162

• macOS · MacPorts · источник

  sudo port install tesseract tesseract-rus

  русский - отдельный порт tesseract-rus, остальные языки не ставятся

• Windows · winget · источник

  winget install --id tesseract-ocr.tesseract -e

  ставит тот же установщик с GitHub проекта; русский докачивается сам только на Windows с русским языком системы, иначе модель rus.traineddata кладут в папку tessdata вручную; в PATH программа не попадает

• Windows · установщик с GitHub · источник

  .\tesseract-ocr-w64-setup-5.5.3.20260724.exe

  файл скачать со страницы выпуска; в разделе Additional language data (download) отметь Russian, на Windows с русским языком системы он отмечен сам; папку оставь ту, что предлагает установщик; в PATH программа не добавляется

• Linux · apt · источник

  sudo apt install tesseract-ocr tesseract-ocr-rus

  Ubuntu и Debian; в Ubuntu 24.04 это 5.3.4, модели те же, что у 5.5.3

• Linux · dnf · источник

  sudo dnf install tesseract tesseract-langpack-rus

  Fedora; в Fedora 44 это 5.5.3

Как удалить

• macOS и Linux, Homebrew: brew uninstall tesseract-lang tesseract
• macOS, MacPorts: sudo port uninstall tesseract-rus tesseract
• Windows, winget: winget uninstall --id tesseract-ocr.tesseract -e
• Windows, установщик с GitHub: & "$env:ProgramFiles\Tesseract-OCR\tesseract-uninstall.exe"
• Linux, apt: sudo apt remove tesseract-ocr tesseract-ocr-rus
• Linux, dnf: sudo dnf remove tesseract tesseract-langpack-rus

Что нужно для работы

• Русская языковая модель (rus) (обязательно) - без неё -l rus не работает; ставится отдельно: tesseract-ocr-rus в Ubuntu и Debian, tesseract-langpack-rus в Fedora, tesseract-lang в Homebrew, tesseract-rus в MacPorts, пункт Russian в установщике Windows
• ImageMagick (в отдельных случаях) - подготовить плохие фото и снимки экрана перед распознаванием: серый цвет, увеличение, выравнивание наклона, убрать тень
• Poppler (pdftoppm и pdftotext) (в отдельных случаях) - разобрать PDF-скан на картинки страниц и проверить, что в готовом PDF ищется текст
• Homebrew (в отдельных случаях) - на Mac проще всего ставить через него

Системы

• macOS - Homebrew (готовые сборки для Apple Silicon на macOS 15 и новее) или MacPorts.
• Windows - 64-битная Windows: установщик со страницы выпуска на GitHub или winget. Русский язык докачивается во время установки.
• Linux - пакеты дистрибутивов: в Ubuntu 24.04 версия 5.3.4, в Debian 13 и Ubuntu 26.04 - 5.5.0, в Fedora 44 - 5.5.3. Последнюю версию на любом Linux ставит Homebrew.

Где запускать

Ставить нужно туда, где работает агент: на твой компьютер, сервер или в контейнер.

• На компьютере - на Mac - Homebrew или MacPorts, на Windows - winget или установщик, на Linux - пакет дистрибутива. Распознавание идёт на этом компьютере, сканы никуда не отправляются.
• На сервере - пакетом дистрибутива: в Ubuntu и Debian это tesseract-ocr и tesseract-ocr-rus. Видеокарта не нужна, страница A4 распознаётся меньше чем за секунду на одном ядре.
• В контейнере - в чистом образе Ubuntu 24.04 apt ставит Tesseract 5.3.4 с русской моделью за 10 секунд: 74 пакета, около 104 МБ. Homebrew в таком контейнере ставит 5.5.3, но тянет ещё 49 зависимостей, папка Cellar вырастает до 1,2 ГБ.

Сколько ресурсов нужно

Место на диске

Около 104 МБ через apt в чистой Ubuntu 24.04 (74 пакета вместе с русской моделью, сама модель rus - 3,9 МБ); через Homebrew программа около 32 МБ и остальные языки 686 МБ (скачиваются одним файлом 345 МБ) плюс зависимости, которых ещё нет; установщик для Windows весит 26,6 МБ и докачивает выбранные языки; модель rus из tessdata_best - 15,3 МБ

Память

На странице A4 в 300 точек - 50-100 МБ памяти, на чеке и снимке экрана - 20-50 МБ (замер в контейнере).

Видеокарта

Не нужна: распознавание идёт на процессоре, страница A4 в 300 точек - около 0,6 секунды на одном ядре.

Сеть

Только чтобы скачать программу и языки. Распознавание работает без интернета, сканы никуда не отправляются.

Папку сканов быстрее распознавать в несколько процессов с переменной OMP_THREAD_LIMIT=1: 10 страниц на двух ядрах заняли 3,1 секунды против 6,1 по очереди. Кэш скачанных файлов Homebrew (в контейнере 522 МБ) чистит brew cleanup.

Лицензия и платные замены

Лицензия Apache-2.0. Свободная лицензия: пользоваться бесплатно можно и лично, и в работе компании. Условия важны тем, кто распространяет Tesseract вместе со своим продуктом: приложить текст лицензии и сохранить уведомления об авторстве. Языковые модели из репозиториев tessdata идут под той же лицензией. Текст лицензии

Цена: Бесплатно

Платные замены

• Yandex Vision OCR - Облачное распознавание Яндекса: печатный и рукописный текст на русском и английском, таблицы, JPEG, PNG и PDF до 10 МБ. Платно, за каждую страницу, и документы уходят в облако.
• ContentReader PDF - Программа с окнами от бывшей российской части ABBYY: распознаёт сканы и фото документов, работает на Windows и российских Linux. Подписка от 8 055 рублей в год, пробная версия на 7 дней.

Бесплатные замены

• OCRmyPDF - Бесплатная программа для PDF-сканов: сама разбирает страницы, распознаёт их тем же Tesseract и собирает PDF с текстовым слоем. Удобна, когда сканы приходят в PDF.
• EasyOCR - Бесплатное распознавание на нейросетях, больше 80 языков, кириллица есть. Ставится как библиотека Python и требует PyTorch, поэтому тяжелее Tesseract.

О чём помнить

• Рукописный текст Tesseract читает плохо: по документации программа сделана для печатного текста. Для почерка нужен другой инструмент, например платный Yandex Vision OCR с моделью для рукописного текста.
• Фото с тенью, наклоном и мелким шрифтом без подготовки читаются плохо: на прогоне фото договора дало 28% ошибок, а после подготовки в ImageMagick ни одной. Размытое мелкое фото чека не спасает и подготовка: суммы в нём остались с ошибками.
• Ошибки в числах бывают незаметными: в ИНН появилась лишняя цифра, цена 240,00 прочиталась как 246,00, и программа была в этом уверена. Суммы, ИНН и даты после распознавания сверяй с документом.
• Знака рубля ₽ в русской и английской моделях нет: он читается как «Р» или «2», и «12 990 ₽» может превратиться в «12 9902».
• На вход Tesseract не берёт PDF, HEIC с iPhone, AVIF и JPEG XL: их сначала переводят в PNG или JPEG. PDF с текстовым слоем на выходе он собирает сам.
• Языковые модели бери только из официальных источников. С июля по август 2026 года разработчики опубликовали 10 предупреждений об уязвимостях, все - в чтении файлов моделей .traineddata, 6 высокой важности. Восемь касаются и выпуска 5.5.3, выпуска с исправлением на 01.10.2026 ещё нет.
• На Windows ставь в папку, которую предлагает установщик: удаление стирает папку tessdata целиком, вместе с моделями, которые ты докладывал руками.
• Ставь Tesseract туда, где работает агент. Если агент на сервере, программа на твоём компьютере ему не поможет.

Частые проблемы

Проверка

✓ Проверено 01.10.2026: Docker Desktop 29.2.1 на Mac с Apple Silicon: одноразовые контейнеры ubuntu:24.04 (arm64, 2 ядра), Tesseract 5.5.3 через Homebrew 7.0.7, для сравнения 5.3.4 из apt.

«Проверено» ставим, только когда сами поставили программу и прогнали её на задаче. Сверка ссылок и вывод версии так не называются.

Похожие программы

• ImageMagickСжимает картинки и переводит их в WebP, меняет размер, делает обложки с надписью и водяные знаки. Агенту нужна, чтобы обработать всю папку картинок сайта за один раз.
• PandocПереводит документы из формата в формат: Markdown в Word и PDF, Word в Markdown. Агенту нужен, чтобы отдавать результат так, как его ждут люди.