有人把200页扫描件丢进浏览器，两分钟后拿到了可搜索的文本。五年前这事得花1.5美元/千页，还得把敏感文件上传给第三方。现在本地就能跑，靠的是Tesseract.js这个把开源OCR引擎编译成网页版的技术方案。

它到底是什么

Tesseract.js是谷歌开源OCR引擎Tesseract的WebAssembly移植版。Tesseract本身是个有39年历史的老项目——1985年惠普开发，闲置十年后谷歌2005年接手，2018年用LSTM神经网络重写核心。支持100多种语言，命令行就能跑，市面上大量OCR产品底层都是它。

编译成网页版后，准确率与桌面版一致，但无需安装、不上传服务器。核心引擎加单一语言包约8MB，按需加载，普通笔记本处理一页大概1-3秒。

技术怎么实现的

现代OCR分两步走：先找文字区域，再识别具体字符。早期用规则匹配字形模板，现在靠神经网络在海量字体样本上训练。干净印刷体准确率95%-99%，手写、表格、低质量扫描会断崖式下跌。

浏览器里跑这个，难点在于把C++代码编译成WebAssembly，同时处理PDF转图片、多线程调度、内存管理。Tesseract.js用Web Worker避免阻塞UI，支持Chrome、Firefox、Safari、Edge全系现代浏览器。

实际用起来怎样

基础调用很简单：引入脚本、创建worker、识别图片、终止worker。但工程化部署要考虑语言包懒加载、多页PDF分批处理、错误重试机制。8MB体积对弱网环境仍是负担，纯前端方案不适合批量高并发场景。

它的真正价值在于敏感数据处理——医疗记录、法律文书、财务凭证不用出本地。配合IndexedDB还能做离线归档，这是云API给不了的确定性。