使用Springboot + Tesseract OCR引擎实现图片文字自动识别_springboot整合tesseract

一、简介

1.1关于项目

‍

Tesseract是一款优秀的开源OCR软件，是由HP实验室开发，Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

目前由Google维护改进，已发展到5.0版本，从4.0版本起增加了基于LSTM神经网络的识别引擎

‍

本项目使用Springboot + Tesseract OCR引擎实现图片文字自动识别功能。

‍

1.2准备

JDK：17

Maven：3.6

开发工具：IntelliJ IDEA

Tesseract模型文件：chi_sim.traineddata

本项目源代码：可私信提供

‍

1.3Tesseract模型文件下载

GitCode - 开发者的代码家园

项目文件预览 - tessdata - GitCode

​

​

‍

​

​

‍

‍

二、新建SpringBoot项目

​

​

‍

‍

​

​

‍

​

​

‍

点击"Finish"，项目创建。建议修改maven版本与配置文件（这里使用阿里云配置文件，以便支持后续导入依赖）

​

​

‍

修改后，重新reload

​

​

‍

‍

​

​

‍

‍

三、项目配置

3.1引入依赖

<!-- tess4j -->
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.4</version>
</dependency>

‍

​

​

‍

​

​

‍

‍

3.2yml配置

server:
  port: 8888
 
# 训练数据文件夹的路径
tess4j:
  datapath: D:/tessdata

​

​

‍

​

​

‍

3.3 模型文件存到相应目录

​

​

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。

‍

四、开发

4.1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。

​

​

‍

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;
   }
}
4、service实现

‍

4.2service实现

​

​

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);
    }
}

‍

‍

4.3Controller控制器类

​

​

‍

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);
    }
}

‍

‍

五、测试

这里使用postman测试

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。

​

​

‍

这里选取一个新闻内容

​

​

‍

‍

​

​

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。

‍

‍

‍