OCR，使用Tess4J对图片文字的识别，附带了全字体库下载--黑马程序员笔记

1. 什么是OCR?

​ OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程.

2. Tess4J

2.1 简介

​ Tesseract-OCR ，Google维护的开源OCR引擎，支持Java，Python等语言调用。而Tess4J 封装了Tesseract-OCR ，支持Java调用

​ Tesseract-OCR特点:

• Tesseract支持UTF-8编码格式，并且可以“开箱即用”地识别100多种语言。

• Tesseract支持多种输出格式:纯文本，hOCR (HTML)，PDF等

• 官方建议，为了获得更好的OCR结果，最好提供给高质量的图像。

• Tesseract进行识别其他语言的训练

  ​ 具体的训练方式，请参考官方提供的文档: https://tesseract-ocr.github.io/tessdoc/

2.2 使用

依赖

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

字体库

https://pan.baidu.com/s/1NP4D1UXRoQX1VwmH-cLxNw?pwd=6666 提取码:6666

这里使用的中文类库chi_sim.traineddata

测试

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;

import java.io.File;

public class Application {

    public static void main(String[] args) {
        try {
            //获取本地图片
            File file = new File("D:\\测试\\测试.png");
            //创建Tesseract对象
            ITesseract tesseract = new Tesseract();
            //设置字体库路径 （你的chi_sim.traineddata放的个文件夹
            tesseract.setDatapath("D:\\Tess4J\\tessdata");
            //中文识别 chi_sim.traineddata的前缀
            tesseract.setLanguage("chi_sim");
            //执行ocr识别
            String result = tesseract.doOCR(file);
            //替换回车和tal键  使结果为一行
            result = result.replaceAll("\\r|\\n","-").replaceAll(" ","");
            System.out.println("识别的结果为："+result);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

测试结果

2.3 封装工具类

配置文件

tess4j:
  data-path: D:\Tess4J\tessdata
  language: chi_sim

工具类

import lombok.Getter;
import lombok.Setter;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.springframework.boot.context.properties.ConfigurationProperties;
import org.springframework.stereotype.Component;

import java.awt.image.BufferedImage;

@Getter
@Setter
@Component
@ConfigurationProperties(prefix = "tess4j")
public class Tess4jClient {

    private String dataPath;
    private String language;

    public String doOCR(BufferedImage image) throws TesseractException {
        //创建Tesseract对象
        ITesseract tesseract = new Tesseract();
        //设置字体库路径
        tesseract.setDatapath(dataPath);
        //中文识别
        tesseract.setLanguage(language);
        //执行ocr识别
        String result = tesseract.doOCR(image);
        //替换回车和tal键  使结果为一行
        result = result.replaceAll("\\r|\\n", "-").replaceAll(" ", "");
        return result;
    }

}