Tesseract 识别图片

╰+哭是因爲堅強的太久メ 2022-04-02 06:23 408阅读 0赞

引入包：

<dependency>
    			<groupId>org.bytedeco.javacpp-presets</groupId>
    			<artifactId>tesseract-platform</artifactId>
    			<version>4.0.0-rc2-1.4.3</version>
    			
    		</dependency> 
    
    		
    		<dependency>
    			<groupId>net.sourceforge.tess4j</groupId>
    			<artifactId>tess4j</artifactId>
    			<version>4.3.0</version>
    			
    		</dependency>

代码：

ITesseract instance = new Tesseract();
    //		instance.setOcrEngineMode(TessOcrEngineMode.OEM_TESSERACT_LSTM_COMBINED);
    		instance.setDatapath(datapath);
    		instance.setLanguage(lanaguage);
    
    		try {
    			String result = instance.doOCR(file).replaceAll("“|_", " ").replaceAll("ˇ", " ").replaceAll("\n+", "|")
    					.replaceAll(" ", "");
    
    			String[] s1 = result.split("\\|");
    			//String payDate = null;// 支付时间
    			String tradeNum = null;// 订单单号
    			String merNum = null;// 商户单号
    
    			if (result.indexOf(TRADE_NUM_NAME) >= 0) {
    				// 微信订单
    				for (int i = 0; i < s1.length; i++) {
    					String s = s1[i];
    					if (s.indexOf(TRADE_NUM_NAME) >= 0) {
    						tradeNum = s.substring(TRADE_NUM_NAME.length());
    						if (s1[i + 1].indexOf(MER_NUM_NAME) < 0) {
    							tradeNum += s1[i + 1];
    						}
    					} else if (s.indexOf(MER_NUM_NAME) >= 0) {
    						merNum = s.substring(TRADE_NUM_NAME.length());
    					}
    
    				}
    			} else if (result.indexOf(ALI_TRADE_NUM_NAME) >= 0) {
    				//支付宝订单
    				for (int i = 0; i < s1.length; i++) {
    					String s = s1[i];
    					if (s.startsWith(ALI_TRADE_NUM_NAME)) {
    						tradeNum = s.substring(ALI_TRADE_NUM_NAME.length());
    					/*	if (s1[i + 1].indexOf(ALI_MER_NUM_NAME) < 0) {
    							
    					        java.util.regex.Pattern pattern=java.util.regex.Pattern.compile("[0-9]*");
    					        java.util.regex.Matcher match=pattern.matcher(s1[i + 1]);
    							if(match.matches()) {
    								tradeNum += s1[i + 1];
    							}
    						}	*/					
    					}else if (s.indexOf(ALI_MER_NUM_NAME) >= 0) {
    						if(i+1<s1.length) {
    							merNum = s1[i+1];
    						}
    					}
    
    				}
    				
    				if(merNum == null) {
    					merNum = s1[s1.length-1];
    				}
    			}
    			if (tradeNum == null) {
    				return null;
    			}
    			//map.put(PAY_DATE, payDate);
    			map.put(TRADE_NUM, tradeNum);
    			map.put(MER_NUM, merNum == null ? "" : merNum);
    			return map;
    
    		} catch (TesseractException e) {
    			e.printStackTrace();
    		}
    		return null;

环境搭建：

Tess4J是Tesseract的Java JNA wrapper。本文介绍了在CentOS 7 操作系统中使用Tess4J的步骤及注意事项。

Tesseract  
Tesseract 是一个著名的开源OCR引擎，支持100多种语言，可以开箱即用。还可以通过训练方式支持更多语言。Tesseract诞生于1984年，来自HP公司，2005年开源。自2006年起，由谷歌接手开发。截止目前，最新的稳定版本是2017年6月1日发布的3.05.01。还有一只比较活跃的基于LSTM（长短期记忆网络，是一种时间递归神经网络）的4.0版本，还在研发中，最新释放的是2018年6月26日的4.0.0-beta.3。Tesseract由C++开发。

站点：

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

Leptonica  
Tesseract作为OCR引擎，避免不了使用图像处理。Tesseract使用的图像处理主要由leptonica提供。Leptonica 包含众多图像处理和图像分析相关的功能。

Java JNA Wrapper  
JNA 是 Java Native Access的缩写，顾名思义，是一个实现Java调用操作系统Native应用的库。提起Java本地调用，大家自然联想的JNI，但JNI使用过程十分复杂，会让人望而生畏。JNA则采取更加自然的方式，为Java应用提供调用本地应用的支持。

站点：

https://github.com/java-native-access/jna

Tess4J  
Tess4J通过Java JNA Wrapper，提供了Java的Tesseract API，同时还提供了Windows 32bit和64bit的Tesseract的DLL以及一些样例图像。通过Tess4J，可以在Windows下非常便利的通过Java使用Tesseract。对于Linux、MAC等其他操作系统，则需要自行构建Tesseract才可以使用Tess4J。

也就是说，原生的Tess4J并不是跨平台的，仅仅是对Windows开箱即用的。

ess4J：4.0.2

Tesseract：4.0.0-beta.1

Leptonica：1.76.0

JDK：1.8 Update 102 64bit

运行环境：CentOS 7 （内核：3.10.0-862.3.3.el7.x86\_64）64bit

GCC：4.8.5

Clang：3.4

开发环境：Windows 10 64bit

为何这样选？  
这里的坑是，不能根据自己的喜好，使用新版本。我使用过Tesseract 4.0.0-beta.3，但运行JVM会报出Fatal Error最后自行退出，看报出的错误来判断，大概是Tesseract中某些函数签名变化，Tess4J中签名与之不匹配所致。

构建Tesseract  
1 修改yum的Repo  
可能是我所在的环境网络非常差，yum默认会使用mirror，但绝大部分mirror连接不上，会导致下载过程在大量无效的mirror尝试中进行，非常浪费时间。

因此，我关闭了yum的fast mirror插件（/etc/yum/pluginconf.d），另外修改了CentOS-Base.repo。

![20181225170530106][]

### 2 安装必备包 ###

yum -y update   
yum -y install libstdc++ autoconf automake libtool autoconf-archive pkg-config gcc gcc-c++ make libjpeg-devel libpng-devel libtiff-devel zlib-devel  
yum group install -y "Development Tools"

注意：autoconf-archive 是官方说明中都没有提到的必备组件。

3 下载源码  
Leptonica

http://www.leptonica.com/source/leptonica-1.76.0.tar.gz

Tesseract

https://codeload.github.com/tesseract-ocr/tesseract/tar.gz/4.0.0-beta.1

安装：

cd leptonica-1.76.0  
./autobuild  
./configure  
make -j  
make install

tar -zxvf 4.0.0-beta.1.tar.gz  
cd tesseract-4.0.0-beta.1/  
./autogen.sh  
PKG\_CONFIG\_PATH=/usr/local/lib/pkgconfig LIBLEPT\_HEADERSDIR=/usr/local/include ./configure --with-extra-includes=/usr/local/include --with-extra-libraries=/usr/local/lib  
LDFLAGS="-L/usr/local/lib" CFLAGS="-I/usr/local/include" make -j  
make install  
ldconfig

### 确认安装 ###

经过漫长的编译过程，Tesseract已经安装完毕。

执行如下指令：

tesseract -v

## 获取so库 ##

在/usr/local/lib中，可以找到Tess4J需要的依赖库libtesseract.so。可见libtesseract.so实际指向libtesseract.so.4.0.0。liblept.so是leptonica的库，Tesseract也需要调用。

![20181225170530127][]

但这种方式修改了Tess4J公开发布的JAR包，日后升级会有麻烦，因此，不建议这样操作。

2 将linux-x86-64放到Java工程的classpath根目录。这样在运行时，Tess4J就可以找到库了。我的Java工程采用的Gradle构建，因此将这些文件放到了src/main/resources下。

linux-x86-64目录中包含的文件，是从Linux系统中/usr/local/lib拷贝而来，去掉了一些链接文件，具体如下

![20181225170530143][]

在Tess4J设置Tesseract数据目录tessdata  
Tesseract运行时是需要加载语言的训练数据的，按照约定，这些训练数据需要放在tessdata下。但Tess4J 4.0.2对Windows和Linux两类操作系统目录处理方式是不一致的。

初始化Tesseract的代码，setDatapath就是用来设置tessdata目录的。

或者使用 cp /usr/local/lib\* /usr/lib

[20181225170530106]: /images/20220402/6f206332f0814e91b24bbed51e219148.png
[20181225170530127]: /images/20220402/5539e3b2696c45bdbca6b725a3130640.png
[20181225170530143]: /images/20220402/e5681d18d8d34189b5c5474bf4c6c8cd.png