赞
踩
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。
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。
- <!-- tess4j -->
- <dependency>
- <groupId>net.sourceforge.tess4j</groupId>
- <artifactId>tess4j</artifactId>
- <version>4.5.4</version>
- </dependency>
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。
- server:
- port: 8888
-
- # 训练数据文件夹的路径
- tess4j:
- 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。
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。
- package com.example.tesseractocr.config;
-
- import net.sourceforge.tess4j.Tesseract;
- import org.springframework.beans.factory.annotation.Value;
- import org.springframework.context.annotation.Bean;
- import org.springframework.context.annotation.Configuration;
-
- /**
- * @作者:
- * @日期: 2023/10/12 22:58
- * @描述:
- */
- @Configuration
- public class TesseractOcrConfiguration {
-
- @Value("${tess4j.datapath}")
- private String dataPath;
-
- @Bean
- public Tesseract tesseract() {
-
- Tesseract tesseract = new Tesseract();
- // 设置训练数据文件夹路径
- tesseract.setDatapath(dataPath);
- // 设置为中文简体
- tesseract.setLanguage("chi_sim");
- return tesseract;
- }
- }

就几行代码,非常简单。
- package com.example.tesseractocr.service;
-
- import lombok.AllArgsConstructor;
- import net.sourceforge.tess4j.*;
- import org.springframework.stereotype.Service;
- import org.springframework.web.multipart.MultipartFile;
-
- import javax.imageio.ImageIO;
- import java.awt.image.BufferedImage;
- import java.io.ByteArrayInputStream;
- import java.io.IOException;
- import java.io.InputStream;
-
- @Service
- @AllArgsConstructor
- public class OcrService {
-
- private final Tesseract tesseract;
-
- /**
- * 识别图片中的文字
- * @param imageFile 图片文件
- * @return 文字信息
- */
- public String recognizeText(MultipartFile imageFile) throws TesseractException, IOException {
-
- // 转换
- InputStream sbs = new ByteArrayInputStream(imageFile.getBytes());
- BufferedImage bufferedImage = ImageIO.read(sbs);
-
- // 对图片进行文字识别
- return tesseract.doOCR(bufferedImage);
- }
- }

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。
- package com.example.tesseractocr.controller;
-
- import com.example.tesseractocr.service.OcrService;
- import lombok.AllArgsConstructor;
- import net.sourceforge.tess4j.TesseractException;
- import org.springframework.http.MediaType;
- import org.springframework.web.bind.annotation.PostMapping;
- import org.springframework.web.bind.annotation.RequestMapping;
- import org.springframework.web.bind.annotation.RequestParam;
- import org.springframework.web.bind.annotation.RestController;
- import org.springframework.web.multipart.MultipartFile;
-
- import java.io.IOException;
-
- @RequestMapping("/api")
- @RestController
- @AllArgsConstructor
- public class OcrController {
- private final OcrService ocrService;
-
- @PostMapping(value = "/recognize", consumes = MediaType.MULTIPART_FORM_DATA_VALUE)
- public String recognizeImage(@RequestParam("file") MultipartFile file) throws TesseractException, IOException {
-
- // 调用OcrService中的方法进行文字识别
- return ocrService.recognizeText(file);
- }
- }

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。
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。
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?
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。