【在用java的Jsoup做爬虫爬取数据时遇到了验证码识别的问题(基于maven),找了网上挺多的资料,发现Tess4j可以自动识别验证码,在这里简单记录下学习过程及遇到的一些问题。】
步骤:
需要在步骤一的tessdata文件中加入相关语言包(训练文件),在这里下载:https://github.com/tesseract-ocr/tessdata ,如果是简单的英文数字验证码,下载 eng.traineddata然后放到文件夹里即可,中文的是chi开头的traineddata。
导入相关依赖,maven相关依赖如下:
junit
junit
3.8.1
test
net.java.dev.jna
jna
4.2.1
net.sourceforge.tess4j
tess4j
4.1.1
com.sun.jna
jna
4,编写相关代码(自测可正常运行):
package yanZhengMaTest.pikachu;
import java.io.File;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
public class Test {
public static void main(String[] args){
//验证码图片存储地址
File imageFile = new File("C:\\Users\\pc\\Desktop\\1.gif");
if(!imageFile.exists()){
System.out.println("图片不存在");;
}
Tesseract tessreact = new Tesseract();
tessreact.setDatapath("F:\\Program Files (x86)\\Tesseract-OCR\\tessdata");
String result;
try {
result = "测验结果:" + tessreact.doOCR(imageFile);
System.out.println(result);
} catch (TesseractException e) {
e.printStackTrace();
}
}
}
出现异常及处理:
(本人因为开始的时候没用maven导入依赖,自己去下载了各种网上要的jar包去导入,遇到了一堆问题,最后卡在了Invalid memory access这个异常上,后来通过换成maven项目并解决了异常)
A.【Exception in thread "main" java.lang.Error: Invalid memory access:】
如果出现类似于 Invalid memory access的异常
(1). 首先你先确定JAVA代码中:
tessreact.setDatapath("F:\\Program Files (x86)\\Tesseract-OCR\\tessdata");
这里的地址要填你步骤一下载的tessdata文件夹地址。
(2). 如果地址无误,那可能是你tess4j依赖的版本太低,需重新导入依赖,在pom中修改即可。
B.【Exception in thread “main” java.lang.UnsupportedClassVersionError: net/sourceforge/tess4j/Tesseract:】
发生该异常的原因是JDK版本低于1.7,使用1.7以上即可解决问题。
C.【出现图片非法异常】:可能是你图片有问题,换张图片试试,下载的图片不要去修改它的后缀,否则也可能报错。
痛的领悟:
不要直接用java项目自己去导入相关jar包,直接用maven项目去加入依赖包就好,否则可能会出现一堆莫名其妙的异常,个人觉得是因为maven项目依赖包导入时还会导入其他jar包,java项目则需要自己去补增一些jar包,在此建议用maven。
附: