快捷導(dǎo)航

Java使用Tesseract-Ocr識(shí)別數(shù)字

更新時(shí)間：2021年04月20日 09:13:56 作者：gcdd1993

這篇文章主要介紹了Java使用Tesseract-Ocr識(shí)別數(shù)字的方法，幫助大家更好的理解和學(xué)習(xí)使用Java，感興趣的朋友可以了解下

前言

Tesseract-Ocr是我在編寫爬蟲項(xiàng)目中，用來識(shí)別圖片（不是驗(yàn)證碼）的本地解決方案（因?yàn)榭蛻舨幌胧褂肁PI識(shí)別，太貴），識(shí)別率目前達(dá)到了100%，可以說是相當(dāng)了得，當(dāng)然了，這取決于使用的traineddata。

簡(jiǎn)介

Tesseract最初是在1985年至1994年間在Hewlett-Packard Laboratories Bristol和Greeley Colorado的Hewlett-Packard Co開發(fā)的，1996年進(jìn)行了一些更改，移植到Windows，并且隨著C++在1998年興起。2005年Tesseract由惠普開源，然后從2006年至今，由谷歌繼續(xù)開發(fā)。

Tesseract-Ocr并不是一個(gè)軟件，它是一個(gè)軟件包，包含了一個(gè)OCR引擎【libtesseract】和一個(gè)命令行程序【tesseract】。Tesseract 4增加了一個(gè)基于OCR引擎的新神經(jīng)網(wǎng)絡(luò)（LSTM），該引擎專注于行級(jí)識(shí)別，但仍然支持Tesseract 3的傳統(tǒng)Tesseract OCR引擎，該引擎通過識(shí)別字符模式來工作。

要啟用與Tesseract 3的兼容性，你需要使用Legacy OCR Engine模式（--oem 0）。它還需要支持傳統(tǒng)引擎的traineddata（訓(xùn)練好的數(shù)據(jù)文件），這些文件可以從tessdata存儲(chǔ)庫的文件獲取。

Tesseract支持識(shí)別unicode（UTF-8），可以“開箱即用”識(shí)別100多種語言。

Tesseract支持多種輸出格式：純文本，hOCR（HTML），PDF，TSV。主分支還具有ALTO（XML）輸出的實(shí)驗(yàn)支持。

⭐️⭐️⭐️ 具體介紹可以上tesseract-wiki查看。

在Java上使用

創(chuàng)建項(xiàng)目，并引入Jar包

Maven

<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j -->
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.3.1</version>
</dependency>

Gradle

compile 'net.sourceforge.tess4j:tess4j:4.3.1'

導(dǎo)入traineddata

traineddata是使用Tesseract-Ocr訓(xùn)練好的數(shù)據(jù)文件，可以直接使用。這些文件你可以去tessdata存儲(chǔ)庫查找，也可以去谷歌搜索，當(dāng)然了，你也可以自己訓(xùn)練😂。

traineddata通常以*.traineddata命名，其中*指的是支持的語言類型。在這里你可以看到4.0.0版本支持的語言以及traineddata列表。

這次，我們選擇eng.traineddata進(jìn)行測(cè)試。下載eng.traineddata放入/resources/traineddata目錄。

編寫測(cè)試代碼

初始化Tesseract引擎

public class TesseractTest {

    private ITesseract tesseract;

    @Before
    public void init() {
        tesseract = new Tesseract();
        System.out.println("tesseract init done...");
    }

}

實(shí)際上，上面的代碼是無法正常運(yùn)行的，因?yàn)檎也坏街付ㄕZ言版本的traineddata文件。

net.sourceforge.tess4j:tess4j:4.1.1提供的API并不好，在Tesseract構(gòu)造函數(shù)中，沒有提供可選參數(shù)的構(gòu)造器。

public class Tesseract implements ITesseract {

    // Tesseract使用的語言版本，用以選擇traineddata
    private String language = "eng";
    // traineddata目錄，里面放*.traineddata數(shù)據(jù)文件
    private String datapath;
	
    // 省略其他代碼 ...

    public Tesseract() {
        try {
            // 默認(rèn)從系統(tǒng)環(huán)境變量獲取traineddata目錄
            datapath = System.getenv("TESSDATA_PREFIX");
        } catch (Exception e) {
            // ignore
        } finally {
            if (datapath == null) {
                datapath = "./";
            }
        }
    }
    
    /**
     * Sets language for OCR.
     *
     * @param language the language code, which follows ISO 639-3 standard.
     */
    @Override
    public void setLanguage(String language) {
        this.language = language;
    }
    
    /**
     * Sets path to <code>tessdata</code>.
     *
     * @param datapath the tessdata path to set
     */
    @Override
    public void setDatapath(String datapath) {
        this.datapath = datapath;
    }
    
    // 省略其他代碼 ...
}

所以，我們可以選擇設(shè)置環(huán)境變量TESSDATA_PREFIX為數(shù)據(jù)目錄，或者通過Java編碼的方式來設(shè)置。

tesseract.setLanguage("eng"); // 默認(rèn)就是eng，你可以選擇其他lang
tesseract.setDatapath(TesseractTest.class.getResource("/traineddata").getPath().substring(1));

OCR識(shí)別測(cè)試
tesseract提供了一系列doOcr方法的重載，我們可以方便的進(jìn)行OCR識(shí)別。

String doOCR(File imageFile) throws TesseractException;

String doOCR(File imageFile, Rectangle rect) throws TesseractException;

String doOCR(BufferedImage bi) throws TesseractException;

String doOCR(BufferedImage bi, Rectangle rect) throws TesseractException;

String doOCR(List<IIOImage> imageList, Rectangle rect) throws TesseractException;

String doOCR(List<IIOImage> imageList, String filename, Rectangle rect) throws TesseractException;

String doOCR(int xsize, int ysize, ByteBuffer buf, Rectangle rect, int bpp) throws TesseractException;

String doOCR(int xsize, int ysize, ByteBuffer buf, String filename, Rectangle rect, int bpp) throws TesseractException;

可以看出，doOcr方法支持多種圖片識(shí)別方式，如圖片文件、多個(gè)圖片文件、圖片文件局部處理等等方式。

為了方便測(cè)試，我們選取最簡(jiǎn)單的圖片文件方式測(cè)試。

圖片是個(gè)URL鏈接，如下所示

@Test
public void testOcr() throws IOException, TesseractException {
    BufferedImage image = ImageIO.read(new URL("http://static8.ziroom.com/phoenix/pc/images/price/aacd14fbc53a106c7f0f0d667535683as.png"));
    String ocr = tesseract.doOCR(image);
    System.out.println("ocr result : " + ocr);
}

控制臺(tái)輸出：

tesseract init done...
ocr result : 2710386495

識(shí)別準(zhǔn)確率，主要在于你選擇的訓(xùn)練數(shù)據(jù)文件，我使用的是數(shù)據(jù)文件是這個(gè)，對(duì)于數(shù)字的準(zhǔn)確率基本上是100%。

異常
如果你遭遇Invalid memory access異常，這是由于找不到對(duì)應(yīng)lang的*.traineddata文件，請(qǐng)修改language和datapath。

Invalid memory access
java.lang.Error: Invalid memory access
	at com.sun.jna.Native.invokePointer(Native Method)
	at com.sun.jna.Function.invokePointer(Function.java:470)
	at com.sun.jna.Function.invoke(Function.java:404)
	at com.sun.jna.Function.invoke(Function.java:315)
	at com.sun.jna.Library$Handler.invoke(Library.java:212)
	at com.sun.proxy.$Proxy9.TessBaseAPIGetUTF8Text(Unknown Source)
	at net.sourceforge.tess4j.Tesseract.getOCRText(Tesseract.java:495)
	at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:321)
	at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:293)
	at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:274)
	at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:258)
    ...