Java也能做OCR！SpringBoot 整合 Tess4J 实现图片文字识别

什么是Tess4j库

先简单给没听过的xdm解释下，这里要分清楚Tesseract和Tess4j的区别。

Tesseract是一个开源的光学字符识别（OCR）引擎，它可以将图像中的文字转换为计算机可读的文本。支持多种语言和书面语言，并且可以在命令行中执行。它是一个流行的开源OCR工具，可以在许多不同的操作系统上运行。

Tess4J是一个基于Tesseract OCR引擎的Java接口，可以用来识别图像中的文本，说白了，就是封装了它的API，让Java可以直接调用。

搞清楚这俩东西，就足够了。

案例

1、引入依赖

既然是SpringBoot，基础依赖我就不赘述了，这里贴下Tess4J的依赖，是可以用maven下载的。

net.sourceforge.tess4jtess4j4.5.4

2、yml配置

这里，我特地把训练数据的目录路径配置在yml里，后续可以扩展到配置中心。

server:port: 8888# 训练数据文件夹的路径tess4j:datapath: D:/tessdata

然后我解释下什么是训练数据

Tesseract OCR库通过训练数据来学习不同语言和字体的特征，以便更好地识别图片中的文字。

在安装Tesseract OCR库时，通常会生成一个包含多个子文件夹的训练数据文件夹，其中每个子文件夹都包含了特定语言或字体的训练数据。

比如我这里是下载后放到了D盘的tessdata目录下，如图所示，其实就是一个.traineddata为后缀的文件，大小约2M多。

如果你没有特定的训练数据需求，使用默认的训练数据文件即可，我这里就是直接下载默认的来用的。

还有一点要注意的是，直接读resource目录下的路径是读不到的哈，所以我放到了D盘，训练数据本身也是更推荐放到独立的位置，方便后续训练数据。

3、config配置类

我们新建一个配置类，初始化一下Tesseract类，交给Spring管理，这样借用了Spring的单例模式。

package com.example.tesseractocr.config;import net.sourceforge.tess4j.Tesseract;import org.springframework.beans.factory.annotation.Value;import org.springframework.context.annotation.Bean;import org.springframework.context.annotation.Configuration;/** * @作者:* @日期: 2023/10/12 22:58 * @描述: */@Configurationpublic class TesseractOcrConfiguration { @Value("${tess4j.datapath}") private String dataPath; @Bean public Tesseract tesseract() {Tesseract tesseract = new Tesseract();// 设置训练数据文件夹路径tesseract.setDatapath(dataPath);// 设置为中文简体tesseract.setLanguage("chi_sim");return tesseract; }}

4、service实现

就几行代码，非常简单。

package com.example.tesseractocr.service;import lombok.AllArgsConstructor;import net.sourceforge.tess4j.*;import org.springframework.stereotype.Service;import org.springframework.web.multipart.MultipartFile;import javax.imageio.ImageIO;import java.awt.image.BufferedImage;import java.io.ByteArrayInputStream;import java.io.IOException;import java.io.InputStream;@Service@AllArgsConstructorpublic class OcrService {private final Tesseract tesseract; /*** 识别图片中的文字* @param imageFile 图片文件* @return 文字信息*/public String recognizeText(MultipartFile imageFile) throws TesseractException, IOException {// 转换InputStream sbs = new ByteArrayInputStream(imageFile.getBytes());BufferedImage bufferedImage = ImageIO.read(sbs);// 对图片进行文字识别return tesseract.doOCR(bufferedImage);}}

5、新增rest接口

我们新建一个rest接口，用来测试效果，使用上传图片文件的方式。

package com.example.tesseractocr.controller;import com.example.tesseractocr.service.OcrService;import lombok.AllArgsConstructor;import net.sourceforge.tess4j.TesseractException;import org.springframework.http.MediaType;import org.springframework.web.bind.annotation.PostMapping;import org.springframework.web.bind.annotation.RequestMapping;import org.springframework.web.bind.annotation.RequestParam;import org.springframework.web.bind.annotation.RestController;import org.springframework.web.multipart.MultipartFile;import java.io.IOException;@RequestMapping("/api")@RestController@AllArgsConstructorpublic class OcrController {private final OcrService ocrService;@PostMapping(value = "/recognize", consumes = MediaType.MULTIPART_FORM_DATA_VALUE)public String recognizeImage(@RequestParam("file") MultipartFile file) throws TesseractException, IOException {// 调用OcrService中的方法进行文字识别return ocrService.recognizeText(file);}}

6、测试效果

这里我用ApiPost工具来测试下最终效果

我准备的一张图片如下，是从知乎上随便截取的一张。

我们调接口试一下，这里要设置Header的Content-Type，别忘了哈。

这里是body中的参数，我们选择form-data中的File属性，表示以上传文件形式来调接口。

看下效果，其实还是挺不错的，我和图片比对了一下，基本上都识别出来了。

相关地址

1）、Tesseract-ocr官方Github地址：http://github.com/tesseract-o…

2）、Tesseract-ocr安装下载：http://digi.bib.uni-mannheim.de/tesseract/

PS：这里我没有用官方Github文档中给的地址，因为太慢了，找了一个下载比较快的，你们可以往下拉找到win64位的安装即可，如果没有训练需求，不用下也可以）

3）、训练文件：http://digi.bib.uni-mannheim.de/tesseract/t…

PS：在2）的路径下，有一个tessdata_fast目录，点进去就能直接下载到默认训练文件，这种比较简便，省去了前面安装下载的过程。

4）、案例代码：http://gitee.com/fangfuji/ja…

PS：代码放在Gitee上，在同名博文目录里面，包含代码+安装文件+训练文件。

总结

是不是非常简单xdm，反正我觉得挺有意思的，后面抽空再试试训练数据。

好了，今天的小知识，你学会了吗？