后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载本指南围绕 Xberg 文档仓库中的 Java 多语言 OCR 示例展开讲解如何通过ExtractionConfig的OcrConfig.language列表让 Tesseract 后端同时识别英文、德文、法文等多种语言的图片与扫描文档并延伸到 CLI、配置文件等多入口的语言选择方式、各 OCR 后端的语言编码差异与安装前提。读完本文你将掌握在 Java 绑定中配置多语言 OCR、校验语言包可用性、以及在不同后端间切换语言配置的完整实战方案。一、从一个 Java 多语言 OCR 示例说起仓库文档示例 ocr_multi_language.md 给出了最简洁的 Java 调用方式把多个 Tesseract 语言代码作为 JSON 列表传入配置一次提取即可识别多种语言import io.xberg.*; public final class Example { public static void main(String[] args) throws Exception { var inputJson {\kind\:\uri\,\mime_type\:\image/png\,\uri\:\https://example.com/images/test_hello_world.png\}; var input JsonUtil.fromJson(inputJson, ExtractInput.class); var configJson {\ocr\:{\backend\:\tesseract\,\enabled\:true,\language\:[\eng\,\deu\,\fra\]}}; var config JsonUtil.fromJson(configJson, ExtractionConfig.class); var result Xberg.extract(input, config); System.out.println(result.results().get(0).content()); } }这段代码有三个关键点输入对象ExtractInput通过JsonUtil.fromJson从 JSON 反序列化而来kind: uri表示以 URI 方式提供文档mime_type: image/png明确声明这是 PNG 图片——图片类输入总是需要 OCR 的配置对象ExtractionConfig内嵌ocr块backend: tesseract选择 OCR 引擎language: [eng, deu, fra]以**数组列表**形式声明三种语言执行与输出Xberg.extract(input, config)同步返回ExtractionResultresults().get(0).content()取出第一个文档的识别文本。如果你更喜欢类型安全的构造器风格仓库中对应的手工维护示例 ocr_multi_language.md 展示了完全等价的 Builder 写法import io.xberg.Xberg; import io.xberg.ExtractInputKind; import io.xberg.ExtractionResult; import io.xberg.ExtractedDocument; import io.xberg.ExtractionConfig; import io.xberg.ExtractInput; import io.xberg.OcrConfig; import java.util.List; ExtractionConfig config ExtractionConfig.builder() .withOcr(OcrConfig.builder() .withBackend(tesseract) .withLanguage(List.of(eng, deu, fra)) .build()) .build(); ExtractionResult output Xberg.extract( ExtractInput.builder().withKind(ExtractInputKind.URI).withUri(multilingual.pdf).build(), config ); ExtractedDocument result output.results().get(0); System.out.println(result.content());两种写法的语义完全一致withLanguage(List.of(eng, deu, fra))就是language: [eng, deu, fra]的面向对象表达。OcrConfig的 Builder 方法withBackend、withLanguage等在 api-java.md 中有完整说明。二、理解ocr.language字段列表是规范形式 是兼容语法language字段是 Xberg 多语言 OCR 的核心配置项。在核心配置源码 ocr.rs 中可以看到其完整定义/// Language code(s) for OCR recognition. Defaults to [eng]. For Tesseract, /// languages are joined with . /// /// A list is the canonical form and the only form accepted by the binding /// object APIs (Python, Node, PHP, WASM, etc.): [eng, deu]. When /// deserializing from a config file, JSON body, or the REST/MCP API, a /// single string is also accepted, either as one code (eng) or /// -joined (engdeu). /// /// The four candle-based backends also use this list to decide which scripts are /// plausible in their output, dropping a line written in an unconfigured script. #[serde(default default_eng, deserialize_with deserialize_languages)] pub language: VecString,从这段源码注释可以提炼出几个重要结论默认值是[eng]不显式配置时OCR 只识别英文列表数组是规范形式所有绑定对象的 API包括 Java 的withLanguage(List.of(...))都只接受列表单字符串与 连接是反序列化兼容语法在 TOML 配置文件、JSON 请求体或 REST/MCP API 中既允许写eng也允许写engdeu——底层deserialize_languages会把它们拆分成等价的列表该列表不只服务 Tesseract四个基于 Candle 的视觉语言模型后端GLM-OCR、TrOCR、DeepSeek-OCR、PaddleOCR-VL也会依据这份列表判断输出中哪些语言脚本是合理的并丢弃那些未配置脚本的噪声行。在多语言场景下Tesseract 后端在真正执行时会把语言列表用拼接成 Tesseract 要求的格式。这一逻辑位于 tesseract_backend.rs// TesseractConfig::from above takes its language from tess_config.language, which // silently discards OcrConfig.language (#1572). Reconcile the two through the shared // rule so an OcrConfig(language..., tesseract_config...) caller is not OCRd in // English only. internal.language config.effective_tesseract_language().join(); if internal.language.trim().is_empty() { internal.language crate::core::config::ocr::DEFAULT_OCR_LANGUAGE.to_string(); }也就是说你在 Java 里写List.of(eng, deu, fra)Xberg 底层会执行[eng, deu, fra].join()最终交给 Tesseract 的是engdeufra。文档指南 ocr.mdx 中Multiple Languages一节也明确说明Tesseract 用连接多语言代码PaddleOCR 与 VLM 后端则直接使用列表。三、各 OCR 后端的语言编码体系配置多语言前先要清楚不同后端使用的语言编码各不相同。文档参考 ocr-languages.mdx 给出了权威对照后端编码体系示例Tesseract默认后端ISO 639-3 三位码含历史/文字变体码eng、deu、fra、chi_sim、chi_tra、aze_cyrlPaddleOCRISO 639-1 两位码 文字变体en、de、zh_hans、zh_hantCandle 系列 VLM兼容主流长短码eng/en、zho/zh、jpn/jaSceptreEasyOCR Gen2 组别名 ISO 别名english/latin/cyrillic/japanese等以 Tesseract 为例其语言覆盖面超过 100 种既包含通用 ISO 639-3 代码也包含文字变体与特殊用途代码。部分常用条目摘录如下完整表格见 ocr-languages.mdx语言代码状态英语engFull德语deuFull法语fraFull西班牙语spaFull简体中文chi_simFull繁体中文chi_traFull日语jpnFull韩语korFull俄语rusFull阿拉伯语araFull公式equMath formulas方向/脚本检测osdLayout注意equ公式和osd方向/脚本检测是特殊用途代码分别用于数学公式识别和版面方向检测并非普通自然语言。四、语言包安装Tesseract 多语言的必要前提Tesseract 是系统包依赖使用多语言前必须确保对应语言的 traineddata 语言包已安装。文档指南 ocr.mdx 给出了各平台安装方式# macOS —— 安装全部语言 brew install tesseract-lang # Ubuntu/Debian —— 按语言逐个安装 sudo apt-get install tesseract-ocr-deu # 德语 sudo apt-get install tesseract-ocr-fra # 法语 # 验证已安装语言 tesseract --list-langs安装完成后建议先在 Java 中跑一次单文档 OCR 提取force_ocr可强制对已有文本层的 PDF 也执行 OCR来确认绑定能找到 Tesseract。参考 ocr_extraction.md 中的 Java 完整示例import io.xberg.ExtractInput; import io.xberg.ExtractInputKind; import io.xberg.ExtractedDocument; import io.xberg.ExtractionConfig; import io.xberg.ExtractionResult; import io.xberg.OcrConfig; import io.xberg.Xberg; import io.xberg.XbergRsException; import java.util.List; public class Main { public static void main(String[] args) { try { ExtractionConfig config ExtractionConfig.builder() .withForceOcr(true) .withOcr(OcrConfig.builder() .withBackend(tesseract) .withLanguage(List.of(eng)) .build()) .build(); ExtractInput input ExtractInput.builder() .withKind(ExtractInputKind.URI) .withUri(scanned.pdf) .build(); ExtractionResult output Xberg.extract(input, config); ExtractedDocument document output.results().get(0); System.out.println(document.content()); } catch (XbergRsException e) { System.err.println(Extraction failed: e.getMessage()); } } }缺失语言包时的行为根据 ocr-languages.mdx 的Fallback Strategy一节Tesseract 在请求的语言包未安装时会直接报错而不是静默降级PaddleOCR 会回退到模型训练基础或返回错误Candle 系列 VLM 则接受所有语言代码、尝试识别优雅降级。因此使用 Tesseract 多语言前务必用tesseract --list-langs确认deu、fra等语言包已就位。从测试基建也能看到这一约束的体现契约用例 ocr_multi_language.json 专门验证配置英德法三种语言的场景其skip原因明确写道——Requires the eng, deu, and fra Tesseract traineddata packs; CI guarantees only English, and WASM bundles only English需要 eng/deu/fra 三份语言包而 CI 只保证英文、WASM 也只内置英文。该用例通过 mock 服务器提供test_hello_world.png最终断言识别结果必须同时包含 Hello 与 World。五、语言选择的优先级CLI、JSON、配置文件、默认值除了 Java 绑定内的配置对象多语言还能通过 CLI 标志、内联 JSON、配置文件等多种入口设置。根据 ocr-languages.mdx 的Configuration Precedence配置级联优先级从高到低为CLI 标志--ocr-language eng或--ocr-language engdeu内联 JSON 配置--config-json {ocr: {language: [eng, deu]}}配置文件xberg.toml或xberg.yaml中的[ocr]段默认值后端默认语言行为通常是英文或自动检测。# CLI用 连接多个语言 xberg extract --ocr-language engdeufra file.pdf# xberg.toml列表形式 [ocr] backend tesseract language [eng, deu, fra]// 内联 JSON列表形式 { ocr: { language: [eng, deu, fra] } }无论哪种入口最终都会归一化到OcrConfig.language: VecString这一列表字段——这正是 ocr.rs 中deserialize_with deserialize_languages所处理的兼容逻辑。顺带一提环境变量XBERG_OCR_*也可在服务端配置中影响 OCR 行为OCR_LANGUAGE还作为遥测约定字段出现在 conventions.rs。六、语言检测与 OCR 的联动如果你不确定文档使用什么语言Xberg 提供了language-detection特性先自动检测文档语言再把检测结果交给 OCR。参考 ocr-languages.mdx 的Language Detection一节from xberg import ( ExtractInput, ExtractionConfig, LanguageDetectionConfig, OcrConfig, extract, ) config ExtractionConfig( language_detectionLanguageDetectionConfig(enabledTrue), ocrOcrConfig(backendtesseract, language[eng]), ) output await extract(ExtractInput(kinduri, uridocument.pdf), config) document output.results[0] print(document.detected_languages)检测出的语言会出现在结果的detected_languages字段中可据此动态构造后续的ocr.language列表——适合处理语言来源混杂的批量文档。语言检测的详细配置见 language-detection.mdx。七、写在最后多语言 OCR 的完整工作流把本指南的知识串起来一套健壮的 Xberg Java 多语言 OCR 工作流包含四步确认后端与语言编码默认 Tesseract 使用 ISO 639-3 三位码PaddleOCR 用两位码如en、zh_hansCandle VLM 兼容多种写法安装语言包brew install tesseract-lang或apt-get install tesseract-ocr-deu等并用tesseract --list-langs验证配置OcrConfig.languageJava 中用withLanguage(List.of(eng, deu, fra))或在配置文件/CLI 中用列表或连接语法校验输出查看results().get(0).content()必要时结合force_ocr、DPI 配置ocr.mdx 中有 150/300/600 DPI 的精度权衡表与语言检测结果调优。进一步阅读OCR 完整指南 —— 八个后端的对比、安装与配置OCR 语言支持参考 —— 各后端语言全覆盖表格与回退策略配置参考 ——OcrConfig全部字段Java API 参考 —— Java 绑定完整方法签名核心配置实现 ——language字段的底层定义与反序列化逻辑赞分享后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载相关推荐xberg C FFI 多语言 OCR 配置实战以 Tesseract 语言列表识别多语种文档xberg C FFI 多语言 OCR 配置实战以 Tesseract 语言列表识别多语种文档 本篇技术文章聚焦 xberg 文档智能库的 C FFI 接口中后端AI 应用NLPXberg Elixir 多语言 OCR 实战以列表形式为 Tesseract 配置多种识别语言Xberg Elixir 多语言 OCR 实战以列表形式为 Tesseract 配置多种识别语言 本篇指南围绕 xberg 的 Elixir 绑定讲解如何以后端AI 应用NLPXberg Go 绑定多语言 OCR 配置实战以 Tesseract 为例传入多个语言代码Xberg Go 绑定多语言 OCR 配置实战以 Tesseract 为例传入多个语言代码 本文围绕 Xberg 官方 Go 片段 ocr_multi_lan后端AI 应用NLP上一篇CodeCombat 网页开发 1Web Development 1课程指南从 HTML/CSS 基础到创意网页项目的完整教案解读下一篇Linux 内核揭秘用户命名空间非特权用户的容器化支持创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/7 2:07:21 · 阅读 1.2k Xberg Java 多语言 OCR 实战：以 Tesseract 语言列表识别英德法多语种文档
后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载本指南围绕 Xberg 文档仓库中的 Java 多语言 OCR 示例展开讲解如何通过ExtractionConfig的OcrConfig.language列表让 Tesseract 后端同时识别英文、德文、法文等多种语言的图片与扫描文档并延伸到 CLI、配置文件等多入口的语言选择方式、各 OCR 后端的语言编码差异与安装前提。读完本文你将掌握在 Java 绑定中配置多语言 OCR、校验语言包可用性、以及在不同后端间切换语言配置的完整实战方案。一、从一个 Java 多语言 OCR 示例说起仓库文档示例 ocr_multi_language.md 给出了最简洁的 Java 调用方式把多个 Tesseract 语言代码作为 JSON 列表传入配置一次提取即可识别多种语言import io.xberg.*; public final class Example { public static void main(String[] args) throws Exception { var inputJson {\kind\:\uri\,\mime_type\:\image/png\,\uri\:\https://example.com/images/test_hello_world.png\}; var input JsonUtil.fromJson(inputJson, ExtractInput.class); var configJson {\ocr\:{\backend\:\tesseract\,\enabled\:true,\language\:[\eng\,\deu\,\fra\]}}; var config JsonUtil.fromJson(configJson, ExtractionConfig.class); var result Xberg.extract(input, config); System.out.println(result.results().get(0).content()); } }这段代码有三个关键点输入对象ExtractInput通过JsonUtil.fromJson从 JSON 反序列化而来kind: uri表示以 URI 方式提供文档mime_type: image/png明确声明这是 PNG 图片——图片类输入总是需要 OCR 的配置对象ExtractionConfig内嵌ocr块backend: tesseract选择 OCR 引擎language: [eng, deu, fra]以**数组列表**形式声明三种语言执行与输出Xberg.extract(input, config)同步返回ExtractionResultresults().get(0).content()取出第一个文档的识别文本。如果你更喜欢类型安全的构造器风格仓库中对应的手工维护示例 ocr_multi_language.md 展示了完全等价的 Builder 写法import io.xberg.Xberg; import io.xberg.ExtractInputKind; import io.xberg.ExtractionResult; import io.xberg.ExtractedDocument; import io.xberg.ExtractionConfig; import io.xberg.ExtractInput; import io.xberg.OcrConfig; import java.util.List; ExtractionConfig config ExtractionConfig.builder() .withOcr(OcrConfig.builder() .withBackend(tesseract) .withLanguage(List.of(eng, deu, fra)) .build()) .build(); ExtractionResult output Xberg.extract( ExtractInput.builder().withKind(ExtractInputKind.URI).withUri(multilingual.pdf).build(), config ); ExtractedDocument result output.results().get(0); System.out.println(result.content());两种写法的语义完全一致withLanguage(List.of(eng, deu, fra))就是language: [eng, deu, fra]的面向对象表达。OcrConfig的 Builder 方法withBackend、withLanguage等在 api-java.md 中有完整说明。二、理解ocr.language字段列表是规范形式 是兼容语法language字段是 Xberg 多语言 OCR 的核心配置项。在核心配置源码 ocr.rs 中可以看到其完整定义/// Language code(s) for OCR recognition. Defaults to [eng]. For Tesseract, /// languages are joined with . /// /// A list is the canonical form and the only form accepted by the binding /// object APIs (Python, Node, PHP, WASM, etc.): [eng, deu]. When /// deserializing from a config file, JSON body, or the REST/MCP API, a /// single string is also accepted, either as one code (eng) or /// -joined (engdeu). /// /// The four candle-based backends also use this list to decide which scripts are /// plausible in their output, dropping a line written in an unconfigured script. #[serde(default default_eng, deserialize_with deserialize_languages)] pub language: VecString,从这段源码注释可以提炼出几个重要结论默认值是[eng]不显式配置时OCR 只识别英文列表数组是规范形式所有绑定对象的 API包括 Java 的withLanguage(List.of(...))都只接受列表单字符串与 连接是反序列化兼容语法在 TOML 配置文件、JSON 请求体或 REST/MCP API 中既允许写eng也允许写engdeu——底层deserialize_languages会把它们拆分成等价的列表该列表不只服务 Tesseract四个基于 Candle 的视觉语言模型后端GLM-OCR、TrOCR、DeepSeek-OCR、PaddleOCR-VL也会依据这份列表判断输出中哪些语言脚本是合理的并丢弃那些未配置脚本的噪声行。在多语言场景下Tesseract 后端在真正执行时会把语言列表用拼接成 Tesseract 要求的格式。这一逻辑位于 tesseract_backend.rs// TesseractConfig::from above takes its language from tess_config.language, which // silently discards OcrConfig.language (#1572). Reconcile the two through the shared // rule so an OcrConfig(language..., tesseract_config...) caller is not OCRd in // English only. internal.language config.effective_tesseract_language().join(); if internal.language.trim().is_empty() { internal.language crate::core::config::ocr::DEFAULT_OCR_LANGUAGE.to_string(); }也就是说你在 Java 里写List.of(eng, deu, fra)Xberg 底层会执行[eng, deu, fra].join()最终交给 Tesseract 的是engdeufra。文档指南 ocr.mdx 中Multiple Languages一节也明确说明Tesseract 用连接多语言代码PaddleOCR 与 VLM 后端则直接使用列表。三、各 OCR 后端的语言编码体系配置多语言前先要清楚不同后端使用的语言编码各不相同。文档参考 ocr-languages.mdx 给出了权威对照后端编码体系示例Tesseract默认后端ISO 639-3 三位码含历史/文字变体码eng、deu、fra、chi_sim、chi_tra、aze_cyrlPaddleOCRISO 639-1 两位码 文字变体en、de、zh_hans、zh_hantCandle 系列 VLM兼容主流长短码eng/en、zho/zh、jpn/jaSceptreEasyOCR Gen2 组别名 ISO 别名english/latin/cyrillic/japanese等以 Tesseract 为例其语言覆盖面超过 100 种既包含通用 ISO 639-3 代码也包含文字变体与特殊用途代码。部分常用条目摘录如下完整表格见 ocr-languages.mdx语言代码状态英语engFull德语deuFull法语fraFull西班牙语spaFull简体中文chi_simFull繁体中文chi_traFull日语jpnFull韩语korFull俄语rusFull阿拉伯语araFull公式equMath formulas方向/脚本检测osdLayout注意equ公式和osd方向/脚本检测是特殊用途代码分别用于数学公式识别和版面方向检测并非普通自然语言。四、语言包安装Tesseract 多语言的必要前提Tesseract 是系统包依赖使用多语言前必须确保对应语言的 traineddata 语言包已安装。文档指南 ocr.mdx 给出了各平台安装方式# macOS —— 安装全部语言 brew install tesseract-lang # Ubuntu/Debian —— 按语言逐个安装 sudo apt-get install tesseract-ocr-deu # 德语 sudo apt-get install tesseract-ocr-fra # 法语 # 验证已安装语言 tesseract --list-langs安装完成后建议先在 Java 中跑一次单文档 OCR 提取force_ocr可强制对已有文本层的 PDF 也执行 OCR来确认绑定能找到 Tesseract。参考 ocr_extraction.md 中的 Java 完整示例import io.xberg.ExtractInput; import io.xberg.ExtractInputKind; import io.xberg.ExtractedDocument; import io.xberg.ExtractionConfig; import io.xberg.ExtractionResult; import io.xberg.OcrConfig; import io.xberg.Xberg; import io.xberg.XbergRsException; import java.util.List; public class Main { public static void main(String[] args) { try { ExtractionConfig config ExtractionConfig.builder() .withForceOcr(true) .withOcr(OcrConfig.builder() .withBackend(tesseract) .withLanguage(List.of(eng)) .build()) .build(); ExtractInput input ExtractInput.builder() .withKind(ExtractInputKind.URI) .withUri(scanned.pdf) .build(); ExtractionResult output Xberg.extract(input, config); ExtractedDocument document output.results().get(0); System.out.println(document.content()); } catch (XbergRsException e) { System.err.println(Extraction failed: e.getMessage()); } } }缺失语言包时的行为根据 ocr-languages.mdx 的Fallback Strategy一节Tesseract 在请求的语言包未安装时会直接报错而不是静默降级PaddleOCR 会回退到模型训练基础或返回错误Candle 系列 VLM 则接受所有语言代码、尝试识别优雅降级。因此使用 Tesseract 多语言前务必用tesseract --list-langs确认deu、fra等语言包已就位。从测试基建也能看到这一约束的体现契约用例 ocr_multi_language.json 专门验证配置英德法三种语言的场景其skip原因明确写道——Requires the eng, deu, and fra Tesseract traineddata packs; CI guarantees only English, and WASM bundles only English需要 eng/deu/fra 三份语言包而 CI 只保证英文、WASM 也只内置英文。该用例通过 mock 服务器提供test_hello_world.png最终断言识别结果必须同时包含 Hello 与 World。五、语言选择的优先级CLI、JSON、配置文件、默认值除了 Java 绑定内的配置对象多语言还能通过 CLI 标志、内联 JSON、配置文件等多种入口设置。根据 ocr-languages.mdx 的Configuration Precedence配置级联优先级从高到低为CLI 标志--ocr-language eng或--ocr-language engdeu内联 JSON 配置--config-json {ocr: {language: [eng, deu]}}配置文件xberg.toml或xberg.yaml中的[ocr]段默认值后端默认语言行为通常是英文或自动检测。# CLI用 连接多个语言 xberg extract --ocr-language engdeufra file.pdf# xberg.toml列表形式 [ocr] backend tesseract language [eng, deu, fra]// 内联 JSON列表形式 { ocr: { language: [eng, deu, fra] } }无论哪种入口最终都会归一化到OcrConfig.language: VecString这一列表字段——这正是 ocr.rs 中deserialize_with deserialize_languages所处理的兼容逻辑。顺带一提环境变量XBERG_OCR_*也可在服务端配置中影响 OCR 行为OCR_LANGUAGE还作为遥测约定字段出现在 conventions.rs。六、语言检测与 OCR 的联动如果你不确定文档使用什么语言Xberg 提供了language-detection特性先自动检测文档语言再把检测结果交给 OCR。参考 ocr-languages.mdx 的Language Detection一节from xberg import ( ExtractInput, ExtractionConfig, LanguageDetectionConfig, OcrConfig, extract, ) config ExtractionConfig( language_detectionLanguageDetectionConfig(enabledTrue), ocrOcrConfig(backendtesseract, language[eng]), ) output await extract(ExtractInput(kinduri, uridocument.pdf), config) document output.results[0] print(document.detected_languages)检测出的语言会出现在结果的detected_languages字段中可据此动态构造后续的ocr.language列表——适合处理语言来源混杂的批量文档。语言检测的详细配置见 language-detection.mdx。七、写在最后多语言 OCR 的完整工作流把本指南的知识串起来一套健壮的 Xberg Java 多语言 OCR 工作流包含四步确认后端与语言编码默认 Tesseract 使用 ISO 639-3 三位码PaddleOCR 用两位码如en、zh_hansCandle VLM 兼容多种写法安装语言包brew install tesseract-lang或apt-get install tesseract-ocr-deu等并用tesseract --list-langs验证配置OcrConfig.languageJava 中用withLanguage(List.of(eng, deu, fra))或在配置文件/CLI 中用列表或连接语法校验输出查看results().get(0).content()必要时结合force_ocr、DPI 配置ocr.mdx 中有 150/300/600 DPI 的精度权衡表与语言检测结果调优。进一步阅读OCR 完整指南 —— 八个后端的对比、安装与配置OCR 语言支持参考 —— 各后端语言全覆盖表格与回退策略配置参考 ——OcrConfig全部字段Java API 参考 —— Java 绑定完整方法签名核心配置实现 ——language字段的底层定义与反序列化逻辑赞分享后端AI 应用NLP【免费下载链接】xbergPolyglot document intelligence with a Rust core: extract text, metadata, images, tables, and structured data from 106 formats across 140 file extensions, plus code intelligence for 371 languages. Fifteen bindings, with CLI, REST API, and MCP server.项目地址https://gitcode.com/gh_mirrors/kr/xberg点击查看免费下载相关推荐xberg C FFI 多语言 OCR 配置实战以 Tesseract 语言列表识别多语种文档xberg C FFI 多语言 OCR 配置实战以 Tesseract 语言列表识别多语种文档 本篇技术文章聚焦 xberg 文档智能库的 C FFI 接口中后端AI 应用NLPXberg Elixir 多语言 OCR 实战以列表形式为 Tesseract 配置多种识别语言Xberg Elixir 多语言 OCR 实战以列表形式为 Tesseract 配置多种识别语言 本篇指南围绕 xberg 的 Elixir 绑定讲解如何以后端AI 应用NLPXberg Go 绑定多语言 OCR 配置实战以 Tesseract 为例传入多个语言代码Xberg Go 绑定多语言 OCR 配置实战以 Tesseract 为例传入多个语言代码 本文围绕 Xberg 官方 Go 片段 ocr_multi_lan后端AI 应用NLP上一篇CodeCombat 网页开发 1Web Development 1课程指南从 HTML/CSS 基础到创意网页项目的完整教案解读下一篇Linux 内核揭秘用户命名空间非特权用户的容器化支持创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考