Tesseract 识别图片

引入包：

	    <dependency>
			<groupId>org.bytedeco.javacpp-presets</groupId>
			<artifactId>tesseract-platform</artifactId>
			<version>4.0.0-rc2-1.4.3</version>
			<!--  <version>3.04.01-1.3</version> -->
		</dependency> 

		<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j -->
		<dependency>
			<groupId>net.sourceforge.tess4j</groupId>
			<artifactId>tess4j</artifactId>
			<version>4.3.0</version>
			<!-- <version>3.2.1</version> -->
		</dependency> 

代码：

		ITesseract instance = new Tesseract();
//		instance.setOcrEngineMode(TessOcrEngineMode.OEM_TESSERACT_LSTM_COMBINED);
		instance.setDatapath(datapath);
		instance.setLanguage(lanaguage);

		try {
			String result = instance.doOCR(file).replaceAll("“|_", " ").replaceAll("ˇ", " ").replaceAll("\n+", "|")
					.replaceAll(" ", "");

			String[] s1 = result.split("\\|");
			//String payDate = null;// 支付时间
			String tradeNum = null;// 订单单号
			String merNum = null;// 商户单号

			if (result.indexOf(TRADE_NUM_NAME) >= 0) {
				// 微信订单
				for (int i = 0; i < s1.length; i++) {
					String s = s1[i];
					if (s.indexOf(TRADE_NUM_NAME) >= 0) {
						tradeNum = s.substring(TRADE_NUM_NAME.length());
						if (s1[i + 1].indexOf(MER_NUM_NAME) < 0) {
							tradeNum += s1[i + 1];
						}
					} else if (s.indexOf(MER_NUM_NAME) >= 0) {
						merNum = s.substring(TRADE_NUM_NAME.length());
					}

				}
			} else if (result.indexOf(ALI_TRADE_NUM_NAME) >= 0) {
				//支付宝订单
				for (int i = 0; i < s1.length; i++) {
					String s = s1[i];
					if (s.startsWith(ALI_TRADE_NUM_NAME)) {
						tradeNum = s.substring(ALI_TRADE_NUM_NAME.length());
					/*	if (s1[i + 1].indexOf(ALI_MER_NUM_NAME) < 0) {
							
					        java.util.regex.Pattern pattern=java.util.regex.Pattern.compile("[0-9]*");
					        java.util.regex.Matcher match=pattern.matcher(s1[i + 1]);
							if(match.matches()) {
								tradeNum += s1[i + 1];
							}
						}	*/					
					}else if (s.indexOf(ALI_MER_NUM_NAME) >= 0) {
						if(i+1<s1.length) {
							merNum = s1[i+1];
						}
					}

				}
				
				if(merNum == null) {
					merNum = s1[s1.length-1];
				}
			}
			if (tradeNum == null) {
				return null;
			}
			//map.put(PAY_DATE, payDate);
			map.put(TRADE_NUM, tradeNum);
			map.put(MER_NUM, merNum == null ? "" : merNum);
			return map;

		} catch (TesseractException e) {
			e.printStackTrace();
		}
		return null;

环境搭建：

Tess4J是Tesseract的Java JNA wrapper。本文介绍了在CentOS 7 操作系统中使用Tess4J的步骤及注意事项。

Tesseract
Tesseract 是一个著名的开源OCR引擎，支持100多种语言，可以开箱即用。还可以通过训练方式支持更多语言。Tesseract诞生于1984年，来自HP公司，2005年开源。自2006年起，由谷歌接手开发。截止目前，最新的稳定版本是2017年6月1日发布的3.05.01。还有一只比较活跃的基于LSTM（长短期记忆网络，是一种时间递归神经网络）的4.0版本，还在研发中，最新释放的是2018年6月26日的4.0.0-beta.3。Tesseract由C++开发。

站点：

https://github.com/tesseract-ocr/tesseract

Leptonica
Tesseract作为OCR引擎，避免不了使用图像处理。Tesseract使用的图像处理主要由leptonica提供。Leptonica 包含众多图像处理和图像分析相关的功能。

Java JNA Wrapper
JNA 是 Java Native Access的缩写，顾名思义，是一个实现Java调用操作系统Native应用的库。提起Java本地调用，大家自然联想的JNI，但JNI使用过程十分复杂，会让人望而生畏。JNA则采取更加自然的方式，为Java应用提供调用本地应用的支持。

站点：

https://github.com/java-native-access/jna

Tess4J
Tess4J通过Java JNA Wrapper，提供了Java的Tesseract API，同时还提供了Windows 32bit和64bit的Tesseract的DLL以及一些样例图像。通过Tess4J，可以在Windows下非常便利的通过Java使用Tesseract。对于Linux、MAC等其他操作系统，则需要自行构建Tesseract才可以使用Tess4J。

也就是说，原生的Tess4J并不是跨平台的，仅仅是对Windows开箱即用的。

ess4J：4.0.2

Tesseract：4.0.0-beta.1

Leptonica：1.76.0

JDK：1.8 Update 102 64bit

运行环境：CentOS 7 （内核：3.10.0-862.3.3.el7.x86_64）64bit

                  GCC：4.8.5

                  Clang：3.4

开发环境：Windows 10 64bit

为何这样选？
这里的坑是，不能根据自己的喜好，使用新版本。我使用过Tesseract 4.0.0-beta.3，但运行JVM会报出Fatal Error最后自行退出，看报出的错误来判断，大概是Tesseract中某些函数签名变化，Tess4J中签名与之不匹配所致。
 

构建Tesseract
1 修改yum的Repo
可能是我所在的环境网络非常差，yum默认会使用mirror，但绝大部分mirror连接不上，会导致下载过程在大量无效的mirror尝试中进行，非常浪费时间。

因此，我关闭了yum的fast mirror插件（/etc/yum/pluginconf.d），另外修改了CentOS-Base.repo。
 

 

2 安装必备包

yum -y update 
yum -y install libstdc++ autoconf automake libtool autoconf-archive pkg-config gcc gcc-c++ make libjpeg-devel libpng-devel libtiff-devel zlib-devel
yum group install -y "Development Tools"

注意：autoconf-archive 是官方说明中都没有提到的必备组件。

3 下载源码
Leptonica

http://www.leptonica.com/source/leptonica-1.76.0.tar.gz

Tesseract

https://codeload.github.com/tesseract-ocr/tesseract/tar.gz/4.0.0-beta.1
 

安装：

cd leptonica-1.76.0
./autobuild
./configure
make -j
make install

tar -zxvf 4.0.0-beta.1.tar.gz
cd tesseract-4.0.0-beta.1/
./autogen.sh
PKG_CONFIG_PATH=/usr/local/lib/pkgconfig LIBLEPT_HEADERSDIR=/usr/local/include ./configure --with-extra-includes=/usr/local/include --with-extra-libraries=/usr/local/lib
LDFLAGS="-L/usr/local/lib" CFLAGS="-I/usr/local/include" make -j
make install
ldconfig

确认安装

经过漫长的编译过程，Tesseract已经安装完毕。

 执行如下指令：

tesseract -v

获取so库

在/usr/local/lib中，可以找到Tess4J需要的依赖库libtesseract.so。可见libtesseract.so实际指向libtesseract.so.4.0.0。liblept.so是leptonica的库，Tesseract也需要调用。

但这种方式修改了Tess4J公开发布的JAR包，日后升级会有麻烦，因此，不建议这样操作。

 2 将linux-x86-64放到Java工程的classpath根目录。这样在运行时，Tess4J就可以找到库了。我的Java工程采用的Gradle构建，因此将这些文件放到了src/main/resources下。
 

linux-x86-64目录中包含的文件，是从Linux系统中/usr/local/lib拷贝而来，去掉了一些链接文件，具体如下

 

在Tess4J设置Tesseract数据目录tessdata
Tesseract运行时是需要加载语言的训练数据的，按照约定，这些训练数据需要放在tessdata下。但Tess4J 4.0.2对Windows和Linux两类操作系统目录处理方式是不一致的。

初始化Tesseract的代码，setDatapath就是用来设置tessdata目录的。
 

或者使用 cp /usr/local/lib* /usr/lib