Tesseract es el motor de OCR (reconocimiento óptico de caracteres) de código abierto más usado — permite extraer texto desde imágenes o PDFs escaneados. En macOS no siempre hay un binario precompilado al día, así que a veces conviene compilarlo desde el código fuente. Esta guía cubre eso, más el binding de Python (pytesseract) para usarlo desde tus scripts.
Instalar las dependencias con Homebrew
# Paquetes que siempre se necesitan.
brew install llvm libomp
brew install automake autoconf libtool
brew install pkgconfig
brew install icu4c
brew install leptonica
brew install libffi
# Paquetes necesarios para las herramientas de entrenamiento.
brew install pango
# Paquetes opcionales para funciones extra.
brew install libarchive
# Paquete opcional si compilas con g++.
brew install gcc
Compilar Tesseract
git clone https://github.com/tesseract-ocr/tesseract/
cd tesseract
./autogen.sh
mkdir build
cd build
# Opcionalmente agrega CXX=g++-8 al configure si quieres usar otro compilador.
# Ejemplo en un Mac con Apple Silicon (ajusta las rutas a tu instalación de Homebrew):
../configure PKG_CONFIG_PATH=/opt/homebrew/opt/icu4c/lib/pkgconfig:/opt/homebrew/opt/libarchive/lib/pkgconfig:/opt/homebrew/opt/libffi/lib/pkgconfig
make -j
# Instalar Tesseract
sudo make install
# Opcionalmente compilar e instalar las herramientas de entrenamiento
# (solo las necesitas si vas a entrenar tus propios modelos de idioma)
make training
sudo make training-install
# Paquetes de idiomas adicionales (por ejemplo, español)
brew install tesseract-lang
Usarlo desde Python
Con Tesseract instalado a nivel de sistema, pytesseract es solo un wrapper que llama al binario y te devuelve el texto reconocido:
pip install pytesseract
