Tesseract-Ocr图片内容识别

Tesseract-Ocr介绍

需要一个简单的识别对应一类图片中的金额，发现这个实现和应用非常简单，就此记录一下。

Tesseract 是一种开源文本识别 (OCR)引擎，在Apache 2.0 许可下可用。.

Tesseract 可以通过命令行直接使用，或者（对于程序员）通过使用API从图像中提取打印文本。它支持多种语言。Tesseract 包括外部工具、包装器和培训项目。

官网：https://github.com/tesseract-ocr
训练工具：https://github.com/tesseract-ocr/tesseract/wiki/AddOns
训练数据仓库：

https://github.com/tesseract-ocr/tessdata
https://github.com/tesseract-ocr/tessdata_best
https://github.com/tesseract-ocr/tessdata_fast

java调用

maven

		<dependency>
			<groupId>net.sourceforge.tess4j</groupId>
			<artifactId>tess4j</artifactId>
			<version>4.1.1</version>
		</dependency>

下载训练库

下载训练库及配置

直接将对应源码中的tessdata文件夹给加入工程根目录

调用api

public static String readImgNum(String url) {
		ITesseract instance = new Tesseract();
		// 如果未将tessdata放在根目录下需要指定绝对路径
		// instance.setDatapath("the absolute path of tessdata");
		
		// 如果需要识别英文之外的语种，需要指定识别语种，并且需要将对应的语言包放进项目中
		instance.setDatapath("tessdata");
		instance.setLanguage("eng");
//		instance.setLanguage("chi_sim");//chi_sim代表中文库

		// 指定识别图片
		String ocrResult = "";
		try {
			BufferedImage image = ImageIO.read(new URL("https:" + url));
			ocrResult = instance.doOCR(image);
		} catch (Exception e) {
			e.printStackTrace();
		}
		return ocrResult;
	}

eng库源码中带的识别不了数字，也是很尴尬，找这个问题也是找了挺久。

可以直接使用网上的url，或者本地的文件都行

异常解决

• read_params_file: parameter not found: enable_new_segsearch

直接下载的eng库是有问题的，还是需要去git上重新下载。

• java.lang.Error: Invalid memory access

对应的data库没有找到，检查对应的库地址

附录

整个工程的资源包下载
中文库
英文库