测试 Tesseract-OCR 在windows平台过程记录

由于承接各种项目的缘故，遇到了所谓分析图片内容相关的需求。特地研究了一番OCR。看到很多人都困惑在这里，特记录过程如下：

参考网站：http://blog.csdn.net/zhoushuyan/archive/2010/10/18/5948289.aspx
http://blog.csdn.net/foamflower/archive/2010/12/31/6110211.aspx
感谢作者提供的思路及代码。

只需：ImageIOHelper.java, OCR.java , Test.java

 

package  com.ocr;
import  java.awt.image.BufferedImage;   
import  java.io.File;   
import  java.io.IOException;   
import  java.util.Iterator;   
import  java.util.Locale;   
  
import  javax.imageio.IIOImage;   
import  javax.imageio.ImageIO;   
import  javax.imageio.ImageReader;   
import  javax.imageio.ImageWriteParam;   
import  javax.imageio.ImageWriter;   
import  javax.imageio.metadata.IIOMetadata;   
import  javax.imageio.stream.ImageInputStream;   
import  javax.imageio.stream.ImageOutputStream;   
  
import  com.sun.media.imageio.plugins.tiff.TIFFImageWriteParam;   
  
public   class  ImageIOHelper  {   
    /**  
     * 图片文件转换为tif格式  
     * @param imageFile 文件路径  
     * @param imageFormat 文件扩展名  
     * @return  
     */  
    public static File createImage(File imageFile, String imageFormat) {   
        File tempFile = null;   
        try {   
            Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);   
            ImageReader reader = readers.next();   
           
            ImageInputStream iis = ImageIO.createImageInputStream(imageFile);   
            reader.setInput(iis);   
            //Read the stream metadata   
            IIOMetadata streamMetadata = reader.getStreamMetadata();   
               
            //Set up the writeParam   
            TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);   
            tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);   
               
            //Get tif writer and set output to file   
            Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");   
            ImageWriter writer = writers.next();   
               
            BufferedImage bi = reader.read(0);   
            IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));   
            tempFile = tempImageFile(imageFile);   
            ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);   
            writer.setOutput(ios);   
            writer.write(streamMetadata, image, tiffWriteParam);   
            ios.close();   
               
            writer.dispose();   
            reader.dispose();   
               
        } catch (IOException e) {   
            e.printStackTrace();   
        }   
        return tempFile;   
    }   
  
    private static File tempImageFile(File imageFile) {   
        String path = imageFile.getPath();   
        StringBuffer strB = new StringBuffer(path);   
        strB.insert(path.lastIndexOf('.'),0);   
        return new File(strB.toString().replaceFirst("(?<=\\.)(\\w+)$", "tif"));   
    }   
  
}   

 

package  com.ocr;

 

import  java.io.BufferedReader;   
import  java.io.File;   
import  java.io.FileInputStream;   
import  java.io.InputStreamReader;   
import  java.util.ArrayList;   
import  java.util.List;   
  
import  org.jdesktop.swingx.util.OS;   
  
public   class  OCR  {   
    private final String LANG_OPTION = "-l";  //英文字母小写l，并非数字1   
    private final String EOL = System.getProperty("line.separator");   
    //private String tessPath = "D:\\Program Files\\Tesseract-OCR";   
    private String tessPath = new File("tesseract").getAbsolutePath();   
       
    public String recognizeText(File imageFile,String imageFormat)throws Exception{   
        File tempImage = ImageIOHelper.createImage(imageFile,imageFormat);   
        File outputFile = new File(imageFile.getParentFile(),"output");   
        StringBuffer strB = new StringBuffer();   
        List<String> cmd = new ArrayList<String>();   
        if(OS.isWindowsXP()){   
            cmd.add(tessPath+"\\tesseract");   
        }else if(OS.isLinux()){   
            cmd.add("tesseract");   
        }else{   
            cmd.add(tessPath+"\\tesseract");   
        }   
        cmd.add("");   
        cmd.add(outputFile.getName());   
        cmd.add(LANG_OPTION);   
        cmd.add("chi_sim");   
        //cmd.add("eng");   
           
        ProcessBuilder pb = new ProcessBuilder();   
        pb.directory(imageFile.getParentFile());   
           
        cmd.set(1, tempImage.getName());   
        pb.command(cmd);   
        pb.redirectErrorStream(true);   
           
        Process process = pb.start();   
        //tesseract.exe 1.jpg 1 -l chi_sim   
        int w = process.waitFor();   
           
        //删除临时正在工作文件   
        tempImage.delete();   
           
        if(w==0){   
            BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));   
               
            String str;   
            while((str = in.readLine())!=null){   
                strB.append(str).append(EOL);   
            }   
            in.close();   
        }else{   
            String msg;   
            switch(w){   
                case 1:   
                    msg = "Errors accessing files.There may be spaces in your image's filename.";   
                    break;   
                case 29:   
                    msg = "Cannot recongnize the image or its selected region.";   
                    break;   
                case 31:   
                    msg = "Unsupported image format.";   
                    break;   
                default:   
                    msg = "Errors occurred.";   
            }   
            tempImage.delete();   
            throw new RuntimeException(msg);   
        }   
        new File(outputFile.getAbsolutePath()+".txt").delete();   
        return strB.toString();   
    }   
}

 

package  com.ocr;

 

import  java.io.File;   
import  java.io.IOException;   
  
public   class  Test  {   
  
    /**  
     * @param args  
     */  
    public static void main(String[] args) {   
        String path = "d:\\test\\chi.jpg";      
        try {      
            String valCode = new OCR().recognizeText(new File(path), "jpg");      
            System.out.println(valCode);      
        } catch (IOException e) {      
            e.printStackTrace();      
        } catch (Exception e) {   
            e.printStackTrace();   
        }       
    }   
  
}   

 

1，下载 tesseract-ocr-setup-3.00.exe  按照提示安装。正常情况安装完 tesseract-ocr-setup-3.00.exe 应该在命令行就可以运行了。如果无法运行或者提示“系统无法执行此程序”，是因为windows平台的tesseract.exe需要VC++2008运行库支持。需要下载安装：
http://www.xdowns.com/soft/softdown.asp?softid=39360

2，下载 chi_sim.traineddata.gz 在Tesseract-OCR安装目录下找到\tessdata目录，把 chi_sim.traineddata.gz 语言包解压缩之后的chi_sim.traineddata文件复制到该目录下即可。

3，编写测试代码所需的jar包： jai_imageio-1.1-alpha.jar， swingx-1.0.jar
可在www.findjar.com 网站上去下载。

4，将代码中的路径指向tesseract所在的路径。程序会按照命令行方式访问tesseract.exe执行。处理中文字符相对较慢。

至此测试完毕。