使用 tesseract 做 OCR 文字识别（Java）

1. 背景介绍

网络上介绍 tesseract 做 OCR 文字识别的文章较少，且时间久远，实际落地时难免出现纰漏，笔者也是走了不少弯路，故梳理一份最新的文档，方便后人查阅。

2. 方案选型

刚开始有多种方向，考虑到易用性和数据安全，最终采用 tesseract，下面罗列选型的过程

• OpenCV

  计算机视觉领域的老大哥，原生提供 C++ 接口，也可以通过引入 org.openpnp:opencv:4.5.1-2 支持 Java对接，然而我没有找到专门用于 OCR 的接口

• Tesseract

  是一款专业的 OCR 引擎，尽管也是 C++ 编写的，但配合 net.sourceforge.tess4j:tess4j:4.5.5 可以提供简洁的 Java API

• 腾讯云文字识别 OCR（入口）

  成熟的 API，不仅能做到 OCR，还能对内容进行分词，如名片、收货人信息等，如果对数据不敏感，建议对接，效果好而且省时省力

3. 方案落地

3.1 示例工程

文末提供下载

1. 新建 maven 工程

2. 引入依赖

   <dependency>
       <groupId>net.sourceforge.tess4j</groupId>
       <artifactId>tess4j</artifactId>
       <version>4.5.5</version>
   </dependency>
   

3. 使用 Tesseract API 完成文本识别

   // 创建实例
   Tesseract instance = new Tesseract();
   // 设置语言
   instance.setLanguage("chi_sim");
   // 设置语言包路径
   instance.setDatapath("src/main/resources/tessdata");
   // 设置文本文件
   File file = new File("src/main/resources/sample/test.png");
   try {
     // 文本识别
     String result = instance.doOCR(file);
     System.out.println(result);
   } catch (TesseractException e) {
     e.printStackTrace();
   }
   

3.2 搭建开发环境

3.2.1 windows 10

1. 安装 tesseract-ocr

   下载地址 https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v5.0.0.20190623.exe

   其他版本可以查看 https://digi.bib.uni-mannheim.de/tesseract/

   安装过程中一直点下一步，建议取消语言包选项，后面手动下载

2. 配置环境变量【可选】

   • 在 Path 追加【C:\Program Files\Tesseract-OCR】，方便任意处调用 tesseract 命令
   • 新建 TESSDATA_PREFIX，内容为【C:\Program Files\Tesseract-OCR】，用于加载语言包
     • Tips: 此处不建议使用环境变量，建议将语言包放在项目的 resources 资源文件夹下，便于移植

3. 检验安装

   cmd 窗口输入 tesseract -v，能输出版本信息即安装成功

4. 语言包下载地址

   中文 https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata/-/raw/master/chi_sim.traineddata
   英文 https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata/-/raw/master/eng.traineddata
   数字 https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata/-/raw/master/enm.traineddata

3.2.2 mac

笔者电脑为 mba2020 m1

1. 安装软件主体

   brew install tesseract
   

2. 安装语言包【可选】

   建议单独下载语言包，并放在项目的 resources 资源文件夹下

   brew install tesseract-langs
   
   

3. 检验安装

   tesseract -v
   

4. 卸载（如果你需要）

   # 从第三方仓库获取模块
   brew tap beeftornado/rmtree
   # 删除 tesseract 及其所有依赖
   brew rmtree tesseract
   # 清理不需要的版本极其安装包缓存
   brew cleanup
   

5. 处理异常

   Exception in thread "main" java.lang.UnsatisfiedLinkError: Unable to load library 'tesseract':
   dlopen(libtesseract.dylib, 9): image not found
   dlopen(libtesseract.dylib, 9): image not found
   dlopen(/Users/linjingcheng/Library/Frameworks/tesseract.framework/tesseract, 9): image not found
   dlopen(/Library/Frameworks/tesseract.framework/tesseract, 9): image not found
   dlopen(/System/Library/Frameworks/tesseract.framework/tesseract, 9): image not found
   Native library (darwin-x86-64/libtesseract.dylib) not found in resource path
   

   参考 https://stackoverflow.com/questions/21394537/tess4j-unsatisfied-link-error-on-mac-os-x

   简单来说就是在 mac 下 tess4j 这个包少了 darwin-x86-64/libtesseract.dylib（tess4j 4.5.5 之前是 darwin/libtesseract.dylib），需要自己手动添加进去，或者按照 3.3 的方式进行操作

3.3 搭建部署环境

案例：在windows上项目是可以正常运行的，部署到Linux上后，运行报异常，异常内容为：Unable to load library ‘tesseract’: Native library (linux-x86-64/libtesseract）
报错原因就是项目无法加载库资源文件 libtesseract（在linux上是.so文件，windows是.dll文件）

1. 安装编译环境：gcc gcc-c++ make

   yum install gcc gcc-c++ make
   

2. 通过yum安装 autoconf automake libtool 和 libjpeg-devel libpng-devel libtiff-devel zlib-devel 等 7 个工具

   yum install autoconf automake libtool libjpeg-devel libpng-devel libtiff-devel zlib-devel
   

3. 安装依赖的Leptonica库（建议使用 su root 切换到root用户下安装，避免编译过程中的权限不足问题）

   wget http://www.leptonica.org/source/leptonica-1.81.1.tar.gz
   tar -xzvf leptonica-1.81.1.tar.gz
   cd leptonica-1.81.1/
   ./configure
   # tips: 需要几分钟，请耐心等待
   make && make install
   

4. 安装Tesseract-OCR（建议使用 su root 切换到root用户下安装，避免编译过程中的权限不足问题）

   wget https://github.com/tesseract-ocr/tesseract/archive/refs/tags/4.1.1.tar.gz
   tar -xzvf tesseract-4.1.1.tar.gz
   cd tesseract-4.1.0/
   ./autogen.sh
   # 此步可能会报错，可以看第五步
   ./configure
   make && make install
   sudo ldconfig
   

5. 解决【configure: error: Leptonica 1.74 or higher is required. Try to install libleptonica-dev package.】问题

   # 加入环境变量
   vim /etc/profile
   export LD_LIBRARY_PATH=$LD_LIBRARY_PAYT:/usr/local/lib
   export LIBLEPT_HEADERSDIR=/usr/local/include
   export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig
   
   # 刷新配置
   source /etc/profile
   
   # 重新安装
   ./autogen.sh
   ./configure
   # tips: 需要十分钟左右，请耐心等待
   make && make install
   sudo ldconfig
   

6. 复制 tess4j 要的 linux 依赖库链接【重要】

   cp /usr/local/lib/*.so.* /usr/lib64/
   

7. 下载语言包（预训练文件）：中文、英文、数字【可选】

   cd /usr/local/share/tessdata
   # 原站点未加速，几乎不能下载
   # wget https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata
   # wget https://github.com/tesseract-ocr/tessdata/blob/master/eng.traineddata
   # wget https://github.com/tesseract-ocr/tessdata/blob/master/enm.traineddata
   wget https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata/-/raw/master/chi_sim.traineddata
   wget https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata/-/raw/master/eng.traineddata
   wget https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata/-/raw/master/enm.traineddata
   

8. 防止找不到语言包【可选】

   # 加入环境变量
   echo "export TESSDATA_PREFIX=/usr/local/share/tessdata" >> /etc/profile
   
   # 刷新配置
   source /etc/profile
   

9. 安装完成测试

   # 查看版本
   tesseract -v
   # 执行命令识别图片中的文字并保存进本地的文本中
   tesseract hello.png reuslt -l chi_sim
   

4. 参考资料

• 示例项目 https://download.csdn.net/download/coder1994/21698394
• Linux系统安装及部署tess4j项目（CentOS 7为例） https://blog.csdn.net/weixin_51754359/article/details/109452233
• Tesseract 文档地址 https://github.com/tesseract-ocr/tessdoc
• tess4j 官网 http://tess4j.sourceforge.net/