tesseract-ocr+java实现图片文字识别

Posted 2022-05-11 luffy5459

    ocr是Optical Character Recognition的简写，就是光学字符识别技术。主要是对包含文本资料的图片进行识别，获取文本信息的技术。

    目前tesseract-ocr这个工具可以很方便的在Windows、Linux、Mac下安装。

    windows下的安装链接：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v5.0.1.20220118.exe

    这个工具安装之后，需要设置环境变量TESSDATA_PREFIX，这个变量是设置tesseract安装目录下tessdata的目录位置。 

    为了在命令行下使用tesseract可执行程序，最好把tesseract-ocr安装路径加入Path环境变量中。

    这样，我们在命令行下就可以使用tesseract命令了，如下是检验tesseract安装是否正确： 

 

    我们可以使用一个带字符的图片做验证：

    该图片就是hello.png，上面有“hello.tesseract”字样。

 

    命令行下，通过tesseract images\\hello.png hello，可以把images目录下的hello.png图片识别，提取的文字保存在hello.txt文件中。

 

/

    以上是通过tesseract-ocr工具直接提取图片中的字符，下面通过程序来提取，这里以java程序为例，加入net.sourceforge.tess4j依赖。

<dependency>
      <groupId>net.sourceforge.tess4j</groupId>
      <artifactId>tess4j</artifactId>
      <version>4.6.0</version>
</dependency>

    Java代码也是极其简单：

package ocr;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import java.io.File;
public class TestOCR 
    public static void main(String[] args) 
        Tesseract instance = new Tesseract();
        //instance.setDatapath("D:\\\\Program Files\\\\Tesseract-OCR\\\\tessdata");
        File imageFile = new File("D:\\\\yofc\\\\python\\\\images\\\\hello.png");
        try 
            String result = instance.doOCR(imageFile);
            System.out.println(result);
         catch (TesseractException e) 
            e.printStackTrace();
        
    

    运行程序，打印信息如下：

 

     这段代码，就是新建了一个Tesseract实例，然后就开始识别图片文件，仅仅四行代码就完成了识别和打印识别结果在内的功能。其实有的地方提到需要设置训练文件位置，如果我们前面的安装设置了TESSDATA_PREFIX，这里就不用设置了，本例就注释了这行代码：

instance.setDatapath("D:\\\\Program Files\\\\Tesseract-OCR\\\\tessdata");

    同样可以运行成功，因为在Tesseract实例化的时候，会读取系统变量TESSDATA_PREFIX的值，并进行设置：

public Tesseract() 
        try 
            this.datapath = System.getenv("TESSDATA_PREFIX");
         catch (Exception var5) 
         finally 
            if (this.datapath == null) 
                this.datapath = "./";
            

        

    

     至此，OCR示例就已经说完了，对于java开发而言，代码极其简单。有的地方，采用执行命令的方式，通过模拟命令行调用tesseract识别图片，其实没必要，那种代码如果移植，又需要设置linux环境下的安装路劲，非常麻烦。