Java中如何使用 tesseract-ocr 进行图片文字提取（tesseract、tesseract训练自己的字库）

tesseract下载链接：

github：https://github.com/tesseract-ocr/

db：https://digi.bib.uni-mannheim.de/tesseract/

文字识别技术在许多领域都有广泛的应用，例如文档处理、自动化办公、移动设备上的文本输入等。而Tesseract-OCR作为一款开源的OCR引擎，以其高效、准确的文字识别能力，受到了广泛的关注和应用。本文将详细介绍Tesseract-OCR的原理、优势、使用方法以及应用案例，帮助读者更好地理解和使用这款工具。

一、Tesseract-OCR简介

Tesseract-OCR是由HP实验室开发，后由Google维护的一款开源OCR引擎。OCR是Optical Character Recognition的缩写，意为光学字符识别，是一种通过计算机软件识别印刷或手写文本的技术。Tesseract-OCR采用深度学习的方法进行文字识别，可以识别多种语言，包括英文、中文、德文、法文等。

二、Tesseract-OCR的优势

准确性高：Tesseract-OCR的准确性在同类产品中处于领先地位，对于印刷体文本的识别率高达95%以上。
支持多种语言：Tesseract-OCR支持多种语言的识别，包括英文、中文、德文、法文等，并可以通过训练来扩展识别其他语言。
灵活的API接口：Tesseract-OCR提供了灵活的API接口，可以轻松集成到各种应用中，方便开发者进行二次开发。
跨平台性：Tesseract-OCR可以在多种操作系统上运行，如Windows、Linux和Mac OS等。
三、Tesseract-OCR的使用方法
安装：首先需要下载并安装Tesseract-OCR软件。可以从官网下载最新版本的安装包进行安装。对于不同的操作系统，需要选择相应的安装包进行下载和安装。
训练数据：为了提高识别的准确性，需要对特定的字体或文本进行训练。训练数据可以是自己的数据集，也可以使用公开的数据集进行训练。训练完成后，保存为.traineddata文件供Tesseract-OCR使用。
API接口：Tesseract-OCR提供了多种语言的API接口，包括C++、Java、Python等。开发者可以根据自己的需求选择相应的接口进行集成和使用。使用API接口可以方便地进行文本识别的各种操作，例如识别图片中的文本、进行文本转换等。
四、Tesseract-OCR的应用案例
PDF文字识别：将PDF文件中的文字识别出来，方便用户进行编辑和使用。
图形验证码识别：将图形验证码中的文字识别出来，用于登录验证等场景。
移动设备上的文本输入：通过拍照或扫描文档，将图片中的文字识别出来，方便用户进行文本输入。
自动化办公：将纸质文档或图片中的文字识别出来，进行后续的处理和分析。

三、（源码）Tesseract-OCR在Java中的应用实例

1、maven配置

        <!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j --><dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>4.5.5</version></dependency>

2、源码

/*** 	提取图片文字接口 V1.1*/
@RestController 
@RequestMapping(value="/ts/api/extract")     
public class TpExtractionApiController {// Windows图片地址public final static String globalVariableImageUrl = "D:\\tesseract";// Windows tesseract 训练地址public final static String globalVariableTesseractUrl = "D:\\tesseract";/*** 	main*/@RequestMapping(value="/image", method=RequestMethod.POST) public TpExtraction reg(@ApiParam(value = "文件") @RequestPart(value = "multipartFile") MultipartFile multipartFile) {//TpExtraction tpExtraction = new TpExtraction();//String filename = multipartFile.getOriginalFilename();//创建tess对象ITesseract tesseract = new Tesseract();//windows 设置训练文件目录tesseract.setDatapath(globalVariableUrl+"\\tessdata");//设置训练语言tesseract.setLanguage("chi_sim");//String result = "";//try {File file = null;try {// MultipartFile 转 Filefile = convert(multipartFile,filename);// 判断是否为PNG类型boolean bl_png = isImagePng(file);// true/falseif(bl_png) {// true 不处理}else {// 判断文件格式boolean bl = isImage(file);// if(bl) {// 转换为pngfile = convertToPng(file);}else {tpExtraction.setMsg("文件格式异常，请上传.png图片格式。");return tpExtraction;}}} catch (IOException e) {// TODO Auto-generated catch blocke.printStackTrace();}result = tesseract.doOCR(file);tpExtraction.setMsg(result);} catch (TesseractException e) {// TODO Auto-generated catch blocke.printStackTrace();}return tpExtraction;}/***	 MultipartFile 转 File**/public static File convert(MultipartFile file,String filename) throws IOException {// windows 图片路径File convFile = new File(globalVariableUrl+"\\"+filename);// 创建文件convFile.createNewFile();try (InputStream in = file.getInputStream();OutputStream out = new FileOutputStream(convFile)) {byte[] buffer = new byte[1024];int bytesRead;while ((bytesRead = in.read(buffer)) != -1) {out.write(buffer, 0, bytesRead);}}return convFile;}/*** 判断文件类型是否为图片类型*/public static boolean isImage(File file) {String name = file.getName().toLowerCase();return name.endsWith(".jpg") || name.endsWith(".jpeg") || name.endsWith(".png") ||name.endsWith(".gif") || name.endsWith(".bmp") || name.endsWith(".wbmp");}/*** 判断文件类型是否为PNG图片类型*/public static boolean isImagePng(File file) {String name = file.getName().toLowerCase();return name.endsWith(".png");}/***	将图片文件转换为PNG格式*/public static File convertToPng(File file) {//File writeFile = null;//try {BufferedImage image = ImageIO.read(file);String name = file.getName().toLowerCase();String format = "png";if (name.endsWith(".jpg") || name.endsWith(".jpeg")) {format = "png";} else if (name.endsWith(".gif")) {format = "gif";} else if (name.endsWith(".bmp") || name.endsWith(".wbmp")) {format = "bmp";}writeFile = new File(file.getParent(), name.substring(0, name.lastIndexOf('.')) + ".png");ImageIO.write(image, format, writeFile);} catch (IOException e) {e.printStackTrace();}return writeFile;}}