当前位置:   article > 正文

Java也能做OCR!SpringBoot 整合 Tess4J 实现图片文字识别

tess4j

什么是Tess4j库

先简单给没听过的xdm解释下,这里要分清楚Tesseract和Tess4j的区别。

Tesseract是一个开源的光学字符识别(OCR)引擎,它可以将图像中的文字转换为计算机可读的文本。支持多种语言和书面语言,并且可以在命令行中执行。它是一个流行的开源OCR工具,可以在许多不同的操作系统上运行。

Tess4J是一个基于Tesseract OCR引擎的Java接口,可以用来识别图像中的文本,说白了,就是封装了它的API,让Java可以直接调用。

搞清楚这俩东西,就足够了。

案例

1、引入依赖

既然是SpringBoot,基础依赖我就不赘述了,这里贴下Tess4J的依赖,是可以用maven下载的。

  1. <!-- tess4j -->
  2. <dependency>
  3. <groupId>net.sourceforge.tess4j</groupId>
  4. <artifactId>tess4j</artifactId>
  5. <version>4.5.4</version>
  6. </dependency>

2、yml配置

这里,我特地把训练数据的目录路径配置在yml里,后续可以扩展到配置中心。

  1. server:
  2. port: 8888
  3. # 训练数据文件夹的路径
  4. tess4j:
  5. datapath: D:/tessdata

然后我解释下什么是训练数据

Tesseract OCR库通过训练数据来学习不同语言和字体的特征,以便更好地识别图片中的文字。

在安装Tesseract OCR库时,通常会生成一个包含多个子文件夹的训练数据文件夹,其中每个子文件夹都包含了特定语言或字体的训练数据。

比如我这里是下载后放到了D盘的tessdata目录下,如图所示,其实就是一个.traineddata为后缀的文件,大小约2M多。

如果你没有特定的训练数据需求,使用默认的训练数据文件即可,我这里就是直接下载默认的来用的。

还有一点要注意的是,直接读resource目录下的路径是读不到的哈,所以我放到了D盘,训练数据本身也是更推荐放到独立的位置,方便后续训练数据。

3、config配置类

我们新建一个配置类,初始化一下Tesseract类,交给Spring管理,这样借用了Spring的单例模式。

  1. package com.example.tesseractocr.config;
  2. import net.sourceforge.tess4j.Tesseract;
  3. import org.springframework.beans.factory.annotation.Value;
  4. import org.springframework.context.annotation.Bean;
  5. import org.springframework.context.annotation.Configuration;
  6. /**
  7. * @作者:
  8. * @日期: 2023/10/12 22:58
  9. * @描述:
  10. */
  11. @Configuration
  12. public class TesseractOcrConfiguration {
  13. @Value("${tess4j.datapath}")
  14. private String dataPath;
  15. @Bean
  16. public Tesseract tesseract() {
  17. Tesseract tesseract = new Tesseract();
  18. // 设置训练数据文件夹路径
  19. tesseract.setDatapath(dataPath);
  20. // 设置为中文简体
  21. tesseract.setLanguage("chi_sim");
  22. return tesseract;
  23. }
  24. }

4、service实现

就几行代码,非常简单。
  1. package com.example.tesseractocr.service;
  2. import lombok.AllArgsConstructor;
  3. import net.sourceforge.tess4j.*;
  4. import org.springframework.stereotype.Service;
  5. import org.springframework.web.multipart.MultipartFile;
  6. import javax.imageio.ImageIO;
  7. import java.awt.image.BufferedImage;
  8. import java.io.ByteArrayInputStream;
  9. import java.io.IOException;
  10. import java.io.InputStream;
  11. @Service
  12. @AllArgsConstructor
  13. public class OcrService {
  14. private final Tesseract tesseract;
  15. /**
  16. * 识别图片中的文字
  17. * @param imageFile 图片文件
  18. * @return 文字信息
  19. */
  20. public String recognizeText(MultipartFile imageFile) throws TesseractException, IOException {
  21. // 转换
  22. InputStream sbs = new ByteArrayInputStream(imageFile.getBytes());
  23. BufferedImage bufferedImage = ImageIO.read(sbs);
  24. // 对图片进行文字识别
  25. return tesseract.doOCR(bufferedImage);
  26. }
  27. }

5、新增rest接口

我们新建一个rest接口,用来测试效果,使用上传图片文件的方式。
  1. package com.example.tesseractocr.controller;
  2. import com.example.tesseractocr.service.OcrService;
  3. import lombok.AllArgsConstructor;
  4. import net.sourceforge.tess4j.TesseractException;
  5. import org.springframework.http.MediaType;
  6. import org.springframework.web.bind.annotation.PostMapping;
  7. import org.springframework.web.bind.annotation.RequestMapping;
  8. import org.springframework.web.bind.annotation.RequestParam;
  9. import org.springframework.web.bind.annotation.RestController;
  10. import org.springframework.web.multipart.MultipartFile;
  11. import java.io.IOException;
  12. @RequestMapping("/api")
  13. @RestController
  14. @AllArgsConstructor
  15. public class OcrController {
  16. private final OcrService ocrService;
  17. @PostMapping(value = "/recognize", consumes = MediaType.MULTIPART_FORM_DATA_VALUE)
  18. public String recognizeImage(@RequestParam("file") MultipartFile file) throws TesseractException, IOException {
  19. // 调用OcrService中的方法进行文字识别
  20. return ocrService.recognizeText(file);
  21. }
  22. }

6、测试效果

这里我用ApiPost工具来测试下最终效果

我准备的一张图片如下,是从知乎上随便截取的一张。

我们调接口试一下,这里要设置Header的Content-Type,别忘了哈。

这里是body中的参数,我们选择form-data中的File属性,表示以上传文件形式来调接口。

看下效果,其实还是挺不错的,我和图片比对了一下,基本上都识别出来了。

相关地址

1)、Tesseract-ocr官方Github地址:http://github.com/tesseract-o

2)、Tesseract-ocr安装下载:http://digi.bib.uni-mannheim.de/tesseract/

PS:这里我没有用官方Github文档中给的地址,因为太慢了,找了一个下载比较快的,你们可以往下拉找到win64位的安装即可,如果没有训练需求,不用下也可以)

3)、训练文件:http://digi.bib.uni-mannheim.de/tesseract/t

PS:在2)的路径下,有一个tessdata_fast目录,点进去就能直接下载到默认训练文件,这种比较简便,省去了前面安装下载的过程。

4)、案例代码:http://gitee.com/fangfuji/ja

PS:代码放在Gitee上,在同名博文目录里面,包含代码+安装文件+训练文件。

总结

是不是非常简单xdm,反正我觉得挺有意思的,后面抽空再试试训练数据。

好了,今天的小知识,你学会了吗?

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/IT小白/article/detail/333390
推荐阅读
相关标签
  

闽ICP备14008679号