java识别验证码

本文转自：https://blog.csdn.net/justlpf/article/details/127900284 感谢分享

Tesseract

Tesseract-OCR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

Tess4J官网：https://tess4j.sourceforge.net/
Github地址：https://github.com/tesseract-ocr/tessdata

使用

1、引入jar包

本人日志使用的log4j2日志包冲突所以排除掉logback

<dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>5.7.0</version>
            <exclusions>
                <exclusion>
                    <groupId>ch.qos.logback</groupId>
                    <artifactId>logback-classic</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <dependency>
            <groupId>net.java.dev.jna</groupId>
            <artifactId>jna</artifactId>
            <version>5.4.0</version>
        </dependency>
        <dependency>
            <groupId>net.java.dev.jna</groupId>
            <artifactId>jna-platform</artifactId>
            <version>5.4.0</version>
        </dependency>

2、获取语言库

Github上下载语言库并放入到指定位置

3、编写代码

首先解析http请求返回的验证码的加密信息并生成图片到本地

//fileName生成图片位置，secretKey验证码秘钥信息
public static Boolean createFile(String fileName,String secretKey){
        FileOutputStream fout=null;
        try{
            fout = new FileOutputStream(fileName);
            fout.write(Base64.getDecoder().decode(secretKey));
            return Boolean.TRUE;
        }catch (Exception ex){
            return Boolean.FALSE;
        }finally {
            try {
                fout.close();
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    }

解析验证码

public static String executeTess4J(String imgUrl){
        String ocrResult = "";
        try{
            ITesseract instance = new Tesseract();
            instance.setLanguage("eng");//设置语言库
            File imgDir = new File(imgUrl);
            if(imgDir.exists()){
                List<String> configList = new ArrayList<>();
                configList.add("digits");//设置只提取数字
                instance.setConfigs(configList);
                instance.setOcrEngineMode(1); // 设置OCR引擎模式（OEM）
                instance.setPageSegMode(6);   // 设置图片分割模式（PSM）
                instance.setDatapath("/data/xihongda-xxljob-gateway/");//设置训练库的位置
                ocrResult = instance.doOCR(imgDir);//解析
            }
        }catch (TesseractException e){
            e.printStackTrace();
        }
        return ocrResult;
    }

Tesseract讲解

# Note
Tesseract引入训练模型的方法
 
    根据自己的需要下载需要的模型文件，将traineddata文件放在 
    %TesseractOCR_HOME%\tessdata 目录（Tesseract安装目录）下就可以了。
 
tessdata下载地址:
 
    https://github.com/tesseract-ocr/tessdata_best   
 
tessdata_best可用来再训练字库
 
    训练方法参考文档：
    https://tesseract-ocr.github.io/tessdoc/tess4/TrainingTesseract-4.00.html
 
# 参数释义
## 自定义配置
    config = r'-l chi_sim+eng --psm 6'
    # 其它OCR选项：
    # --tessdata-dir PATH：Specify the location of tessdata path.
    # --user-words PATH：Specify the location of user words file.
    # --user-patterns PATH：Specify the location of user patterns file.
    # --dpi VALUE：Specify DPI for input image.
    # -l LANG[+LANG]：Specify language(s) used for OCR.
    # -c VAR=VALUE：Set value for config variables. Multiple -c arguments are allowed.
    # --psm NUM：Specify page segmentation mode.
    # --oem NUM：Specify OCR Engine mode.
    text = pytesseract.image_to_string(Image.open(r'D:\workspace\tesseract-ocr\test.jpg'), config=config)
 
## ImageHelper
    getScaledInstance 放大图片
    getSubImage 截取图片
    convertImageToBinary 转二进制
    convertImageToGrayscale 将图像转换为灰度
    invertImageColor 反转图像颜色
    rotateImage 旋转影像
 
## 图片分割模式（PSM）
tesseract有13种图片分割模式（page segmentation mode，psm）：
 
    0 – Orientation and script detection (OSD) only. 方向及语言检测（Orientation and script detection，OSD)
    1 – Automatic page segmentation with OSD. 自动图片分割
    2 – Automatic page segmentation, but no OSD, or OCR. 自动图片分割，没有OSD和OCR
    3 – Fully automatic page segmentation, but no OSD. (Default) 完全的自动图片分割，没有OSD
    4 – Assume a single column of text of variable sizes. 假设有一列不同大小的文本
    5 – Assume a single uniform block of vertically aligned text. 假设有一个垂直对齐的文本块
    6 – Assume a single uniform block of text. 假设有一个对齐的文本块
    7 – Treat the image as a single text line. 图片为单行文本
    8 – Treat the image as a single word. 图片为单词
    9 – Treat the image as a single word in a circle. 图片为圆形的单词
    10 – Treat the image as a single character. 图片为单个字符
    11 – Sparse text. Find as much text as possible in no particular order. 稀疏文本。查找尽可能多的文本，没有特定的顺序。
    12 – Sparse text with OSD. OSD稀疏文本
    13 – Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific. 原始行。将图像视为单个文本行。
 
## OCR引擎模式（OEM）
有4种OCR引擎模式：
 
    0 – Legacy engine only.
    1 – Neural nets LSTM engine only.
    2 – Legacy + LSTM engines.
    3 – Default, based on what is available.
 
## 方向及语言检测OSD
    Tesseract支持方向及语言检测（Orientation and script detection，OSD) ，比如检测下面的图片：
![img.png](img/img.png)
 
### 检测方法：
    osd = pytesseract.image_to_osd('osd-example.png',config='--psm 0 -c min_characters_to_try=5')
    print(osd)
 
### 执行结果：
    Page number: 0
    Orientation in degrees: 90
    Rotate: 270
    Orientation confidence: 0.74
    Script: Han
    Script confidence: 0.83