java中實(shí)現(xiàn)OCR文字提取的幾個(gè)常用工具(Tesseract、PaddleOCR及RapidOCR)

更新時(shí)間：2025年09月02日 09:58:18 作者：qq_36566311

Java最強(qiáng)的OCR識別是指在Java開發(fā)環(huán)境下,具有強(qiáng)大OCR(Optical Character Recognition,光學(xué)字符識別)功能的工具或庫,這篇文章主要介紹了java中實(shí)現(xiàn)OCR文字提取的幾種方法,分別是Tesseract、PaddleOCR及RapidOCR,需要的朋友可以參考下

工具	準(zhǔn)確度	速度	手寫識別能力	手寫識別能力	語言支持	數(shù)據(jù)格式	關(guān)鍵優(yōu)勢	主要局限
Tesseract	???	???	差（需微調(diào)）	支持	100+ 語言	圖像常見格式（JPEG、PNG等）及PDF，不支持office文件	開源、可訓(xùn)練、跨平臺	中文需優(yōu)化、排版處理弱
PaddleOCR	????	????	強(qiáng)（中文手寫優(yōu)化，英文需微調(diào)）	支持	中英等多語言	圖像常見格式（JPEG、PNG等），pdf文件需要先處理成圖片在進(jìn)行文字提前	中文最佳、多功能	依賴深度學(xué)習(xí)框架
EasyOCR	???	??	一般（英文稍好，中文差）	不支持	80+ 語言	圖像常見格式（JPEG、PNG等），pdf文件需要先處理成圖片在進(jìn)行文字提前	簡單易用、支持GPU	內(nèi)存占用高
RapidOCR	????（精簡模型，稍遜于PaddleOCR）	????	強(qiáng)	僅支持簡單手寫體	主流語言（中/英/日/韓等10+種）	圖片/二進(jìn)制流（PDF需轉(zhuǎn)換圖片再識別）	是基于 PaddleOCR 優(yōu)化而來的輕量級OCR工具，但它針對性能、依賴體積和易用性做了大量改進(jìn)。	資源有限（內(nèi)存/存儲敏感場景）功能沒有PaddleOCR全面

以下實(shí)現(xiàn)環(huán)境基于windows本地開發(fā)

工具	java中實(shí)現(xiàn)方式
Tesseract	1、本地安裝 Tesseract；2、需配置下載并設(shè)置訓(xùn)練數(shù)據(jù)；3、maven配置依賴后可使用。
PaddleOCR	1、本地需要安裝python與PaddleOCR（pip install paddlepaddle paddleocr）;2、java 端通過python腳本調(diào)用或者python中創(chuàng)建接口，java 端通過接口調(diào)用；Pdf 需要先轉(zhuǎn)換為圖片（pdf2image poppler-utils，windows需手動(dòng)安裝poppler）
EasyOCR	1、本地需要安裝python與easyocr（pip install easyocr）;2、java 端通過python腳本調(diào)用或者python中創(chuàng)建接口，java 端通過接口調(diào)用
RapidOCR	1、同PaddleOCR 安裝python，java 通過接口或腳本調(diào)用Python接口實(shí)現(xiàn)；2、rapidORC-java（非官方），java中通過添加依賴使用

Tesseract

1、本地安裝 Tesseract OCR 引擎。原因主要是因?yàn)樗捎昧?JNI（Java Native Interface）的方式調(diào)用本地庫，而不是純 Java 實(shí)現(xiàn)。 https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v5.3.0.20221214.exe

2、訓(xùn)練模型下載 https://github.com/tesseract-ocr/tessdata_best

3、pom配置

        <!-- Tesseract OCR 主依賴 -->
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>5.8.0</version> <!-- 使用最新版本 -->
            <exclusions>
                <!-- 排除 tess4j 自帶的舊版 JNA -->
                <exclusion>
                    <groupId>net.java.dev.jna</groupId>
                    <artifactId>jna</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>org.apache.pdfbox</groupId>
                    <artifactId>pdfbox</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <!-- 顯式添加最新版 JNA -->
        <dependency>
            <groupId>net.java.dev.jna</groupId>
            <artifactId>jna</artifactId>
            <version>5.13.0</version> <!-- 使用最新穩(wěn)定版 -->
        </dependency>
        <!-- 用來判斷文件實(shí)際類型 -->
        <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-core</artifactId>
            <version>2.7.0</version>
        </dependency>
         <!-- 如果需要 PDF 支持 -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.29</version> <!-- 最新穩(wěn)定版 -->
        </dependency>

4、java基本實(shí)現(xiàn)

   //對傳入的文件進(jìn)行處理
   public File imageCheck(MultipartFile multipartFile) {
        File tempFile = null;
        File reNameFile = null;
        try {
            // 使用UUID生成唯一字符串
            String uuid = UUID.randomUUID().toString();
            tempFile = new File(SAVE_PATH+multipartFile.getOriginalFilename());
            multipartFile.transferTo(tempFile);
            //獲取實(shí)際類型；舉例傳入圖片后綴為png但實(shí)際圖片類型為jpg,此時(shí)需要對圖片后綴更正，若不進(jìn)行更正識別時(shí)會(huì)存在異常
            String mimeType = new Tika().detect(tempFile);

            System.out.println(mimeType);
            String[] type = mimeType.split("/");
            String fileName = SAVE_PATH+uuid+"."+type[1];
            reNameFile = new File(fileName);
            tempFile.renameTo(reNameFile);
            //openVC(fileName); //圖片預(yù)處理
        } catch (Exception e) {
            if (reNameFile != null) {
                reNameFile.delete();
            }
            throw new RuntimeException("文件生成異常", e);
        } finally {
            if (tempFile != null) {
                tempFile.delete();
            }
        }
        return reNameFile;
    }
    //pdf文字提取
    public  String convertPdfToImage(Tesseract tesseract, File pdfFile, int dpi) {
        try (PDDocument document = PDDocument.load(pdfFile)) {
            List<Word> allWorld = new ArrayList<>();
            for (int page = 0; page < document.getNumberOfPages(); page++) {
                PDFRenderer renderer = new PDFRenderer(document);
                // 渲染指定頁面為圖像，dpi參數(shù)控制圖像質(zhì)量
                BufferedImage bf = renderer.renderImageWithDPI(page, dpi);
                List<Word> words =  tesseract.getWords(bf, ITessAPI.TessPageIteratorLevel.RIL_WORD);
                allWorld.addAll(words);
            }
            return JSONObject.toJSONString(allWorld);
        } catch (Exception e) {
            e.printStackTrace();
            return null;
        }
    }
    //此處為開始，開始傳入圖片，對圖片進(jìn)行文字識別
    public String ocrCore(MultipartFile multipartFile) {
        Tesseract tesseract = new Tesseract();
        File reNameFile = null;
        String result = "";
        try {
            reNameFile  = imageCheck(multipartFile);

            tesseract.setDatapath(TEST_DATA_PATH); // 設(shè)置訓(xùn)練數(shù)據(jù)路徑
            tesseract.setLanguage("chi_sim+chi_tra+eng"); // 同時(shí)識別中文和英文
            BufferedImage bf = null;
            if (reNameFile.getAbsolutePath().endsWith(".pdf")) {
                result= convertPdfToImage(tesseract,reNameFile, 300);
            } else {
                bf = ImageIO.read(reNameFile);
                List<Word> words =  tesseract.getWords(bf, ITessAPI.TessPageIteratorLevel.RIL_WORD);
                result = JSONObject.toJSONString(words);
            }
            //result = tesseract.doOCR(reNameFile);
            System.out.println(result);
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            if (reNameFile != null) {
                reNameFile.delete();
            }
        }
        return result;
    }

PaddleOCR

1、Python 安裝

pip install paddlepaddle paddleocr

若需要識別pdf文件需要安裝以下python組件，windows需手動(dòng)安裝poppler（https://github.com/oschwartz10612/poppler-windows/releases/tag/v24.08.0-0/ 下載后bin路徑需要配置到環(huán)境變量中）

##若需要識別pdf文件需要安裝以下python組件
pip install pdf2image poppler-utils

2、Python實(shí)現(xiàn)，創(chuàng)建orc接口

from flask import Flask, request, jsonify
from paddleocr import PaddleOCR
from pdf2image import convert_from_path
import numpy as np
import json

app = Flask(__name__)
ocr = PaddleOCR(use_angle_cls=True, lang="ch",use_gpu=True)

@app.route('/ocr', methods=['POST'])
def ocr_api():
    img_path = request.json['image_path']
    if is_pdf(img_path) :
        # 將 PDF 轉(zhuǎn)換為圖像列表（每頁一張圖）
        images = convert_from_path(img_path, dpi=300)  # dpi 越高越清晰，但速度越慢
        resp = []
        # 遍歷所有頁面識別文字
        for i, image in enumerate(images):
            # 將 PIL.Image 轉(zhuǎn)為 numpy 數(shù)組
            img_np = np.array(image)
            result = ocr.ocr(img_np)
            resp.append(result)
        return json.dumps(resp, ensure_ascii=False)
    else:
        result = ocr.ocr(img_path, cls=True)
        return json.dumps(result, ensure_ascii=False)



def is_pdf(file_path):
    return file_path.lower().endswith('.pdf')

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000, threaded=False)


###多線程情況下 連續(xù)解析同一張圖片可能會(huì)存在 OpenCV/Pillow 的圖像解碼沖突，可能導(dǎo)致間歇性失敗

# pps 會(huì)對復(fù)雜文本進(jìn)行布局分析，支持識別分欄樣式文檔的識別
        table_engine = PPStructure(recovery=True, use_pdf2docx_api=True)

        # 處理圖片或PDF
        result = table_engine(img_path)
        #result = ocr.ocr(img_path, cls=True)
        texts = []
        for region in result:
            if region['type'] in ('text', 'equation','title', 'header','figure','figure_caption'):  # 只保留文本類型區(qū)域
                texts.append(one_row(region['res']))
            if region['type'] == 'table':
                texts.append(region['res']['html'])
        return json.dumps(texts, ensure_ascii=False)

3、java 實(shí)現(xiàn) 調(diào)用Python 實(shí)現(xiàn)的ORC接口

請求示例：

OkHttpClient client = new OkHttpClient().newBuilder()
  .build();
MediaType mediaType = MediaType.parse("application/json");
RequestBody body = RequestBody.create(mediaType, "{\r\n    \"image_path\":\"D:/Users/Administrator/Document/personal/ocr/結(jié)構(gòu)化文檔樣式/記錄紙.pdf\"\r\n}\r\n");
Request request = new Request.Builder()
  .url("http://localhost:5000/ocr")
  .method("POST", body)
  .addHeader("Content-Type", "application/json")
  .build();
Response response = client.newCall(request).execute();

RapidOCR

1、pom文件

 <!-- ocr圖片識別 -->
        <dependency>
            <groupId>io.github.mymonstercat</groupId>
            <artifactId>rapidocr</artifactId>
            <version>0.0.7</version>
        </dependency>

        <dependency>
            <groupId>io.github.mymonstercat</groupId>
            <artifactId>rapidocr-onnx-platform</artifactId>
            <version>0.0.7</version>
        </dependency>
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.29</version> <!-- 最新穩(wěn)定版 -->
        </dependency>
        <!-- Linux 需要配置 -->
        <dependency>
            <groupId>io.github.mymonstercat</groupId>
            <artifactId>rapidocr-onnx-linux-x86_64</artifactId>
            <version>1.2.2</version>
        </dependency>

2、java實(shí)現(xiàn)

//這里開始
public String rapidocrORC(MultipartFile multipartFile) {
        File reNameFile = null;
        String result = "";
        try {
            reNameFile  = imageCheck(multipartFile);//見Tesseract 部分

            InferenceEngine engine = InferenceEngine.getInstance(Model.ONNX_PPOCR_V3);
            if (reNameFile.getAbsolutePath().endsWith(".pdf")) {
                result = convertPdfToImage(engine, reNameFile, 300);
            } else {
                OcrResult ocrResult = engine.runOcr(reNameFile.getAbsolutePath());
                result = JSONObject.toJSONString(ocrResult);
            }

            System.out.println(result);
        } catch (Exception e) {
            e.printStackTrace();
        }  finally {
            if (reNameFile != null) {
                reNameFile.delete();
            }
        }
        return result;


    }

    //pdf 文字提取
    public  String convertPdfToImage(InferenceEngine engine, File pdfFile, int dpi) {
        try (PDDocument document = PDDocument.load(pdfFile)) {
            List<OcrResult> allWorld = new ArrayList<>();
            for (int page = 0; page < document.getNumberOfPages(); page++) {
                PDFRenderer renderer = new PDFRenderer(document);
                // 渲染指定頁面為圖像，dpi參數(shù)控制圖像質(zhì)量
                BufferedImage bf = renderer.renderImageWithDPI(page, dpi);
                String fileName = pdfFile.getAbsolutePath().replace(".pdf","_"+page+".png");
                File image = new File(fileName);
                try {
                    ImageIO.write(bf, "png", image);
                    OcrResult ocrResult = engine.runOcr(fileName);
                    allWorld.add(ocrResult);
                } catch (Exception e) {
                    throw new RuntimeException(e);
                } finally {
                    if (image != null) {
                        image.delete();
                    }
                }

            }
            return JSONObject.toJSONString(allWorld);
        } catch (Exception e) {
            e.printStackTrace();
            return null;
        }
    }