文字提取(Java+Tesseract_OCR)

最新推荐文章于 2024-03-21 08:38:22 发布
最新推荐文章于 2024-03-21 08:38:22 发布
阅读量1.1k 收藏 3
点赞数 3
分类专栏： 日常 文章标签： java intellij-idea maven
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35885175/article/details/122068550
版权

文字提取Java+Tesseract_OCR

开发环境

系统: windows 11
jdk: 1.8
框架: spring boot 2.1.4 + maven
工具: idea

Tesseract 安装

相关链接

官方网站：https://github.com/tesseract-ocr/tesseract
官方文档：https://github.com/tesseract-ocr/tessdoc
语言包地址：https://github.com/tesseract-ocr/tessdata
下载地址:https://digi.bib.uni-mannheim.de/tesseract/
在我的资源里面也提交了5.0 windows 的安装包.(我想免费的,官方没有这个选择)
64位: https://download.csdn.net/download/qq_35885175/68236012
32位: https://download.csdn.net/download/qq_35885175/68235937

安装

  1. 双击 选择语言点击OK
    在这里插入图片描述

  2. 直接next(下一步)
    在这里插入图片描述

  3. 日常同意协议
    在这里插入图片描述

  4. 选择给谁安装(看自己需要,我的是个人电脑)
    在这里插入图片描述

  5. 接下来是选择语言包
    最后那两个框就是下载语言包的不建议选择(很慢,除非梯子,下面会有教程扩展语言包的)
    在这里插入图片描述

  6. 选择安装目录
    在这里插入图片描述

  7. next,等待安装完成
    (有一个选择是否添加注册表的,我忘记截图了,默认next 干就完了)
    在这里插入图片描述

  8. 安装完成(结束)
    在这里插入图片描述

配置环境变量

这个步骤对于大家来说就很简单了

  1. 电脑设置(高级环境变量)
    windows11
    在这里插入图片描述
    windows 10(windows server 凑合看吧)
    在这里插入图片描述
  2. 点击环境变量
    在这里插入图片描述
  3. 系统变量中找到PATH
    (用户变量也可,不能用 别找我)
    在这里插入图片描述
  4. 点击新建,选择路径
    在这里插入图片描述
  5. 大概就是这个样,点击确定就行了
    在这里插入图片描述

检查时候安装成功

万能的cmd来了

  1. win+R 输入cmd
    在这里插入图片描述
  2. 小黑框输入 tesseract -v在这里插入图片描述
  3. 看到了吗,我们安装的版本
    在这里插入图片描述

扩展语言包

上面那个链接可以跳转github里面下载(传送门)
csdn我上传的:https://download.csdn.net/download/qq_35885175/68245426
这个东西就是简体中文的啦
在这里插入图片描述
go:
把下载好的文件放入安装目录中,就完成了
在这里插入图片描述
测试时候扩展是否成功
小黑框(cmd) 输入: tesseract --list-langs
在这里插入图片描述
搞定

Java代码(上小菜)

1.POM文件

 <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>5.0.0</version>
 </dependency>

下载不成功的话 多切换几个 version
jar包链接 : https://download.csdn.net/download/qq_35885175/68256292
或者下载 这个我上传的 直接按照目录扔到仓库

2.ImageIOHelper代码

package com.lk.integutils.utils;

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.github.jaiimageio.plugins.tiff.TIFFImageWriteParam;

public class ImageIOHelper {

    //设置语言
    private Locale locale=Locale.CHINESE;

    //自定义语言构造的方法
    public ImageIOHelper(Locale locale){
        this.locale=locale;
    }
    //默认构造器Locale.CHINESE

    public ImageIOHelper(){
    }


    /**
     * 创建临时图片文件防止损坏初始文件
     * @param imageFile
     * @param imageFormat like png,jps .etc
     * @return TempFile of Image
     */
    public File createImage(File imageFile, String imageFormat) throws IOException {

        //读取图片文件
        Iterator<ImageReader> readers = ImageIO.getImageReadersByFormatName(imageFormat);
        ImageReader reader = readers.next();
        //获取文件流
        ImageInputStream iis = ImageIO.createImageInputStream(imageFile);
        reader.setInput(iis);
        IIOMetadata streamMetadata = reader.getStreamMetadata();

        //设置writeParam
        TIFFImageWriteParam tiffWriteParam = new TIFFImageWriteParam(Locale.CHINESE);
        tiffWriteParam.setCompressionMode(ImageWriteParam.MODE_DISABLED);
        //设置可否压缩

        //获得tiffWriter和设置output
        Iterator<ImageWriter> writers = ImageIO.getImageWritersByFormatName("tiff");
        ImageWriter writer = writers.next();


        BufferedImage bi = reader.read(0);
        IIOImage image = new IIOImage(bi,null,reader.getImageMetadata(0));
        File tempFile = tempImageFile(imageFile);
        ImageOutputStream ios = ImageIO.createImageOutputStream(tempFile);

        writer.setOutput(ios);
        writer.write(streamMetadata, image, tiffWriteParam);

        ios.close();
        iis.close();
        writer.dispose();
        reader.dispose();

        return tempFile;
    }

    /**
     * 给tempfile添加后缀
     * @param imageFile
     * @throws IOException
     */
    private File tempImageFile(File imageFile) throws IOException {
        String path = imageFile.getPath();
        StringBuffer strB = new StringBuffer(path);
        strB.insert(path.lastIndexOf('.'),"_text_recognize_temp");
        String s=strB.toString().replaceFirst("(?<=//.)(//w+)$", "tif");
        //设置文件隐藏
        Runtime.getRuntime().exec("attrib "+"\""+s+"\""+" +H");
        return new File(strB.toString());
    }

}

3. OCRUtil代码

package com.lk.integutils.utils;

import java.io.*;
import java.util.ArrayList;
import java.util.List;
import java.util.Locale;

import org.jdesktop.swingx.util.OS;

public class OCRUtil  {
    private final String LANG_OPTION = "-l";
    //英文字母小写l，并非阿拉伯数字1

    private final String EOL = System.getProperty("line.separator");

    /**
     * ocr的安装路径
     */
    private String tessPath =  "D:\\Utils\\Tesseract-OCR";



    public OCRUtil(String tessPath,String transFileName){
        this.tessPath=tessPath;
    }

    //OCRUtil的构造方法,默认路径是"C://Program Files (x86)//Tesseract-OCR"

    public OCRUtil(){     }

    public String getTessPath() {
        return tessPath;
    }
    public void setTessPath(String tessPath) {
        this.tessPath = tessPath;
    }
    public String getLANG_OPTION() {
        return LANG_OPTION;
    }
    public String getEOL() {
        return EOL;
    }


    /**
     * @return 识别后的文字
     */
    public String recognizeText(File imageFile,String imageFormat)throws Exception{
        File tempImage = new ImageIOHelper().createImage(imageFile,imageFormat);
        return ocrImages(tempImage, imageFile);
    }

    /**
     *  可以自定义语言
     */
    public String recognizeText(File imageFile,String imageFormat,Locale locale)throws Exception{
        File tempImage = new ImageIOHelper(locale).createImage(imageFile,imageFormat);
        return ocrImages(tempImage, imageFile);
    }

    /**
     * @param
     * @param
     * @return 识别后的内容
     * @throws IOException
     * @throws InterruptedException
     */
    private String ocrImages(File tempImage,File imageFile) throws IOException, InterruptedException{

        //设置输出文件的保存的文件目录,以及文件名
        File outputFile = new File(imageFile.getParentFile(),"test");
        StringBuffer strB = new StringBuffer();


        //设置命令行内容
        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);
        //中文包
        cmd.add("chi_sim");
        //常用数学公式包
        cmd.add("equ");
        //英语包
        cmd.add("eng");


        //创建操作系统进程
        ProcessBuilder pb = new ProcessBuilder();
        //设置此进程生成器的工作目录
        pb.directory(imageFile.getParentFile());
        cmd.set(1, tempImage.getName());
        //设置要执行的cmd命令
        pb.command(cmd);
        //设置后续子进程生成的错误输出都将与标准输出合并
        pb.redirectErrorStream(true);

        long startTime = System.currentTimeMillis();
        System.out.println("开始时间：" + startTime);
        //开始执行，并返回进程实例
        Process process = pb.start();
        //最终执行命令为：tesseract 1.png test -l chi_sim+equ+eng
        // 输入输出流优化
//        printMessage(process.getInputStream());
//        printMessage(process.getErrorStream());
        int w = process.waitFor();
        //删除临时正在工作文件
        tempImage.delete();
        if(w==0){
            // 0代表正常退出
            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();

            long endTime = System.currentTimeMillis();
            System.out.println("结束时间：" + endTime);
            System.out.println("耗时：" + (endTime - startTime) + "毫秒");

        }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);
        }
        // 删除提取到文字的临时文件
        new File(outputFile.getAbsolutePath()+".txt").delete();
        return strB.toString().replaceAll("\\s*", "");
    }


    private static void printMessage(final InputStream input) {
        new Thread(new Runnable() {
            @Override
            public void run() {
                Reader reader = new InputStreamReader(input);
                BufferedReader bf = new BufferedReader(reader);
                String line = null;
                try {
                    while ((line = bf.readLine()) != null) {
                        System.out.println(line);
                    }
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }).start();
    }
}

4.TestOcr 测试代码

package com.lk.integutils.utils;

import java.io.File;
import java.io.IOException;

public class TestOcr {

    /**
     * @param args
     */
    public static void main(String[] args) {
        //输入图片地址
        String path = "d://1640144341(1).png";
        try {
            String valCode = new OCRUtil().recognizeText(new File(path), "png");
            System.out.println(valCode);
        } catch (IOException e) {
            e.printStackTrace();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

}

结尾

效果不咋的,需要调教

更新

强烈希望大家使用 4.0版本 训练的时候问题少,安装包已上传 教程一样
4.0链接:https://download.csdn.net/download/qq_35885175/69815695

参考文章

mall4j: https://segmentfault.com/a/1190000039362377
SyKay: https://www.jianshu.com/p/f7cb0b3f337a
训练文章:https://blog.csdn.net/qq_31112205/article/details/100159963

Rain武煜
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Tess4J 安装及使用介绍
justlpf的专栏
11-17 7478
支持中文识别，并且开源和提供全套的训练工具，是快速低成本开发的首选。而Tess4J则是Tesseract在Java PC上的应用。在英文和数字识别中性能还是不错的，但是在中文识别中，无论速度还是识别率还是较弱，建议有条件的话，针对场景进行训练，会获得较好结果，本文仅对目前Tess4J的用法进行介绍。这里要把dist下的jar包和lib下的jar包都要导入Java项目中。2.2 创建Java项目并配置Tess4J。2.1 Tess4J官网下载最新的源码包。我们现在最新的是3.4.8。
AI工具【OCR 01】Java可使用的OCR工具Tess4J使用举例（身份证信息识别核心代码及信息提取方法分享）
Java与大数据相关实践内容分享！
01-29 1925
Java可使用的OCR工具Tess4J使用举例（身份证信息识别核心代码及信息提取方法分享）
Java使用Tesseract-OCR实战
最新发布
Java领域优秀创作者
03-21 1945
选择安装目录,下一步,下一步默认安装。
Tesseract识别图片提取文字&字库训练
weixin_30426065的博客
01-15 636
　　文中测试了3.0和4.0两个版本。发现3.0识别效率不准确，需要训练词库。4.0识别效率就比较高了，而且支持结果生成pdf、txt等格式。所以推荐使用4.0版本。 　　这个工具可以用在爬虫的时候获取验证码进行识别且自动输入验证码的功能。 　　git地址:https://github.com/tesseract-ocr/tesseract 　　下载地址:https://digi...
java 图片识别 tess4j_JAVA使用Tess4J进行ocr识别
weixin_35859737的博客
03-07 472
Tess4J是对Tesseract OCR API.的Java JNA 封装。使java能够通过调用Tess4J的API来使用Tesseract OCR。支持的格式：TIFF,JPEG,GIF,PNG,BMP,JPEG,and PDFTesseract 的github地址：https://github.com/tesseract-ocr/tesseractTess4J的github地址：https...
Tesseract综述
zhugeheihei的博客
02-04 1617
最全的Tesseract OCR技术综述
tesseract源码解释之（一）常用API接口简介
qq_29473063的博客
07-17 5331
      目前，Tesseract可以识别超过100种语言。也可以用来训练其它的语言。 源码包提供了一个OCR的引擎——libtesseract以及一个命令行程序——tesseract。Tesseract文字识别主要流程为：二值化，切分处理，识别，纠错等步骤。Tesseract引擎概括地可以分为图片布局分析，字符分割和识别两个部分。而其中的字符分割和识别是整个tesseract的设计目标。对...
Tesseract-OCR-05-主要API功能介绍
weixin_30898109的博客
09-07 505
Tesseract-05-主要API功能介绍 tesseract本身代码是由c/c++混编而成的，其中有用的简单的接口函数几乎都是在baseapi.h中 从其处理过程中，不难得出： 它还需要有一个image处理的类，及相关的方法； 这样子，读取图片后，生成image对象，再获取相关的参数； 当然还需要有对image对象的读取，版面分析等接口函数； 再次，它还定义了很多自身的数据类型，比如：BI...
Java+OpenCV+OCR 图像字符处理
12-14
需配置好OpenCV和OCR环境
jai imageio+swingx+Tesseract-OCR
10-30
java高级图片处理工具 ,可以修改图片分辨率,搭配swingx -1.6.1,在代码中完成图片的文字提取,当然也需要Tesseract-OCR
java实现提取图片文字信息并生成表格
06-24
对图片进行水印处理，利用TESS4J识别图片并提取信息生成excel表格。里面有字库文件所以占用空间较大。 说明：https://blog.csdn.net/xlantian/article/details/80789115
java实现Tesseract-OCR示例
03-01
tess4j的demo开发， 中文识别率高，把项目导入到eclipse中无需修改，使用Junit直接运行Tesseract1Test即可看到效果
caption_ocr_tool:视频硬字幕提取工具
04-14
COCR)目录其他语言简介一款视频硬字幕提取的工具, 使用OpenCV 进行视频/图像处理, 再利用Tesseract-OCR 识别. COCR 提供HSV, HLS, 二值形态学的过滤方法, 对于颜色偏暗的场景, 二值形态学比色彩过滤效果更佳.系统...
android-ocr:基于Tesseract的Android OCR
05-15
该应用程序基于并且它是第一个基于Tesseract 4的应用程序。该应用程序由库提供。 :rocket: 特征 从图像中提取文本。 将数据复制到剪贴板。 选择文本的任何部分。 基于最新的。 识别120 3数据类型，例如“最佳...
Tesseract OCR+Tess4j实现图片中英文识别
jamesluozhiwei的博客
07-22 6415
文章目录Tesseract简介环境搭建下载语言库tess4j依赖demo Tesseract 简介 Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生。在2005年，...
java使用tesseract-ocr进行文字识别
qq_48329942的博客
02-23 7784
查找到使用java也能连接的OCR开源项目进行识别的学习。使用tesseract-ocr
锋利的javaCV文字识别篇之二：视频文字识别和视频提取字幕文字字符
eguid音视频技术分享（JavaCV教程、FFmpeg教程、openCV图像处理教程、音视频教程）
05-10 5076
前言 上一章我们实现了图片的文字识别和提取，本章基于javacv中的tesserac 和ffmpeg实现视频文字识别和提取 javacv中包含ffmpeg和tesserac两个库以及tesserac的依赖库leptonica。 读取视频帧javacv已经帮我们封装好了，直接就可以读取到视频帧，麻烦的是，测试的时候发现javacv设置像素格式不起效果，所以我们只能通过BufferedImage进行转换后才能进行图片文字识别，性能上肯定会有折扣，后面我会放出基于ffmpeg的解码并转换为rgb像素后提供给t
tesseract-ocr+java实现图片文字识别
qq_33209777的博客
04-28 1138
有的地方，采用执行命令的方式，通过模拟命令行调用tesseract识别图片，其实没必要，那种代码如果移植，又需要设置linux环境下的安装路劲，非常麻烦。命令行下，通过tesseract images\hello.png hello，可以把images目录下的hello.png图片识别，提取的文字保存在hello.txt文件中。以上是通过tesseract-ocr工具直接提取图片中的字符，下面通过程序来提取，这里以java程序为例，加入net.sourceforge.tess4j依赖。
使用 tesseract 做 OCR 文字识别（Java）
火车站卖橘子
08-28 3835
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
java tesseract-ocr身份证
07-19
### 回答1： Tesseract-OCR 是一个开源的字符识别库，支持多种语言，其适用于通过光学字符识别（OCR）技术处理身份证信息。而 Java Tesseract-OCR 是基于 Tesseract-OCR 的 Java API，为开发人员提供了在 Java 程序中使用 Tesseract-OCR 的功能。 使用 Java Tesseract-OCR 处理身份证，首先需要安装 Tesseract-OCR 的依赖库，并将其与 Java 项目进行集成。然后，可以通过 Java Tesseract-OCR 提供的 API，对身份证进行文字识别。 识别身份证的过程一般包括以下几个步骤： 1. 图像预处理：首先需要加载身份证图片并进行预处理，包括图像灰度化、二值化等操作，以便提高识别的准确性。 2. 文字识别：使用 Java Tesseract-OCR 的 API，对预处理后的图像进行文字识别。可以根据需求，选择不同的识别模式和语言设置，以达到更好的识别效果。 3. 结果输出：获取到识别结果后，可以将识别的文字信息输出到控制台、文件或者存储到数据库中。 需要注意的是，由于身份证上的文字信息存在一定的特殊性，如字体、背景等因素的影响，识别的准确率可能会受到一些限制。因此，在使用 Java Tesseract-OCR 进行身份证文字识别时，可能需要对图片进行适当的预处理，以及对识别结果进行后期的校验和修正，以保证最终的准确性。 总之，Java Tesseract-OCR 是一个强大的工具，能够帮助开发人员在 Java 程序中实现身份证文字识别功能，但需要根据实际情况对其进行调试和优化，以达到更好的识别效果。 ### 回答2： Java Tesseract-OCR是一个基于Java开发的OCR（光学字符识别）库，可以用于识别身份证。OCR技术可以将身份证上的文字和数字转化为计算机可读的文本数据，从而实现身份证信息的自动化处理和识别。 使用Java Tesseract-OCR识别身份证，首先需要将身份证的图像文件加载到程序中。然后，通过调用相应的方法，对图像进行预处理和分析。预处理包括图像二值化、去噪等操作，以提高识别准确度。接下来，调用OCR识别方法，将图像转化为文本数据。最后，对识别结果进行后期处理和分析，提取身份证上的各项信息。 使用Java Tesseract-OCR识别身份证有以下几个优点。首先，Java Tesseract-OCR是一个开源的OCR库，提供了丰富的功能和灵活的定制选项，可以根据具体需求进行配置和调整。其次，Java Tesseract-OCR是基于Tesseract引擎开发的，该引擎是目前最为成熟和广泛应用的OCR引擎之一，具有较高的识别准确度和稳定性。再次，Java Tesseract-OCR支持多种图像格式和语言，可以应对不同类型和语种的身份证识别需求。 总而言之，Java Tesseract-OCR是一个强大而灵活的工具，可以用于身份证的OCR识别。通过使用该工具，可以实现身份证信息的自动化处理和识别，提高工作效率和准确性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值