语言支持概况
Kreuzberg的多语言处理能力主要依赖以下组件：
- Tesseract OCR：支持100+种语言的文字识别
- Pandoc：具备基本的Unicode编码处理能力
Key configuration steps
确保多语言正确处理的核心要点：
- 安装对应语言的OCR训练数据包
- 在初始化时明确指定文档语言：
extractor = Kreuzberg(ocr_lang='jpn+eng')
- 处理混合语言文档时启用自动检测模式
Special Character Handling
针对非拉丁语系的优化建议：
- 中日韩文档建议使用版本5+的Tesseract
- 阿拉伯/希伯来等从右向左书写的语言需启用特定布局分析
- 对于罕见字符集可能需要自定义训练数据
Performance Optimization Tips
提升多语言处理效率的方法：
- 限制可能的语言范围减少识别时间
- 对批量文档按语言预分类处理
- 考虑使用GPU加速的Tesseract版本
This answer comes from the articleKreuzberg: open source tool to extract text from any documentThe
May not be reproduced without permission:AI productivity tools " Kreuzberg在处理多语言文档时有哪些注意事项？
English 
简体中文 
日本語 
Deutsch 
Português do Brasil