企业官网建设流程全解析

如何用 CMake 构建 Tesseract 并开启 BUILD_TRAINING_TOOLS 编译训练工具

【免费下载链接】tesseractTesseract Open Source OCR Engine (main repository)项目地址: https://gitcode.com/GitHub_Trending/te/tesseract

如果你要用 Tesseract 训练自己的语言模型，就需要源码树里src/training/下的训练工具（lstmtraining、text2image、unicharset_extractor等），而官方二进制包不一定带全这些工具。本文的任务是：用 CMake 从源码构建 Tesseract，并确认BUILD_TRAINING_TOOLS选项开启，把训练工具一并编译出来。适用环境为 Linux（INSTALL.GIT.md 中 cmake 小节给出的 Linux 构建流程），构建产物默认输出到build/bin目录。

构建前的依赖检查

CMake 配置阶段会逐项检查依赖，提前装好可以避免 configure 阶段直接报错：

注意两点：

• INSTALL.GIT.md 的 autotools 小节写的是 “Tesseract 4.0x 最低需要 Leptonica 1.74.2”，而 CMake 路径检查的是 1.74。本文走 CMake 路径，以 1.74 为准。
• README.md 提示：从源码构建前，先确认你的编译器在 Tesseract 支持的编译器列表中。

用 CMake 配置并编译

INSTALL.GIT.md 给出的 Linux cmake 构建流程是：

mkdir build cd build cmake .. make

开启训练工具时，在 cmake 命令上显式加上-DBUILD_TRAINING_TOOLS=ON。实际上 CMakeLists.txt 中该选项默认为 ON（option(BUILD_TRAINING_TOOLS "Build training tools" ON)），所以不加参数也会编译训练工具；显式写出是为了确认意图，同时如果构建机缺少 ICU/pango，你能立刻从配置摘要里看出原因：

mkdir build cd build cmake -DBUILD_TRAINING_TOOLS=ON .. make

这里不能把 cmake 直接跑在源码目录里：CMakeLists.txt 检测到源码目录与构建目录相同时会直接报FATAL_ERROR "CMake generation is not possible within the source directory!"，并提示在另一个目录（例如build）重新执行。

配置完成后，检查 configure 摘要中的两项关键输出：

• Found leptonica version: <版本>—— Leptonica 探测成功；
• Build training tools [BUILD_TRAINING_TOOLS]: ON—— 训练工具子目录会被加入构建。

这两行都来自 CMake 配置阶段打印的 General configuration 摘要块。

确认训练工具被编译出来了

CMakeLists.txt 把CMAKE_RUNTIME_OUTPUT_DIRECTORY设为build/bin，所以编译完成后所有可执行文件（含训练工具）都在build/bin下。具体哪些工具被编译，由 src/training/CMakeLists.txt 中的条件决定：

• 只要BUILD_TRAINING_TOOLS=ON就会编译：common_training库以及combine_tessdata、dawg2wordlist、wordlist2dawg；
• 额外要求DISABLED_LEGACY_ENGINE为 OFF（默认即 OFF），才会编译：ambiguous_words、classifier_tester、cntraining、mftraining、shapeclustering；
• 额外要求找到 ICU（通过 pkg-config 查icu-uc、icu-i18n，否则回退到find_package(ICU 52.1)），才会编译unicharset_training库以及combine_lang_model、lstmeval、lstmtraining、merge_unicharsets、set_unicharset_properties、unicharset_extractor；
• 额外要求找到 pkg-config 且能探测到pango>=1.38.0、cairo、pangoft2、pangocairo、fontconfig，才会编译pango_training库和text2image。

验证方式：构建结束后查看build/bin，例如确认lstmtraining、text2image是否在其中；再对主程序做一次冒烟检查（README.md 给出的方式）：

./bin/tesseract --help

能打印出命令行用法说明，说明构建出的tesseract可执行文件可以运行。如果配置阶段打印了>> ICU not found!，则 LSTM 相关的训练工具（lstmtraining、lstmeval等）不会出现在build/bin里；同理，pango 相关依赖缺失时text2image不会编译。

安装到系统（可选）

只在本机使用build/bin里的可执行文件的话，可以跳过安装。需要系统级安装时，INSTALL.GIT.md 的流程是：

sudo make install

注意这一步会动用 root 权限把tesseract、libtesseract及训练工具写入系统前缀的bin、lib、include等目录，并安装 tesseract 的 CMake 配置与 pkgconfig 文件，会影响系统范围内已有的 Tesseract 版本。

常见配置失败与限制

• 在源码目录里跑 cmake：直接 FATAL_ERROR，按提示改为在build等独立目录执行。
• 找不到 Leptonica：configure 报Cannot find required library Leptonica. Quitting!。CMake 先按 CONFIG 方式查找，找不到再退回 pkg-config 的lept检查，两个路径都失败才会报错；可用-DLeptonica_DIR=path给 CMake 提供 leptonica 的查找提示（见 CMakeLists.txt 中的注释）。
• 缺少 pkg-config：训练工具子目录依赖它探测 ICU 与 pango；没有 pkg-config 时 ICU/pango 相关工具不会编译（src/training/CMakeLists.txt 中有相应说明）。
• LTO 在 arm/RBPi 上不可用：CMakeLists.txt 在 NEON 环境下会提示LTO build is not supported on arm/RBPi.并自动关闭 LTO，这属于预期行为，不需要处理。

完成构建后，build/bin里的lstmtraining、text2image、unicharset_extractor等工具就是 Tesseract 训练流程的入口；后续具体训练步骤不在本文范围内，可参考 README.md 中指向的 Tesseract Training 文档。

【免费下载链接】tesseractTesseract Open Source OCR Engine (main repository)项目地址: https://gitcode.com/GitHub_Trending/te/tesseract