使用 tesseract 做 OCR 文字识别（Java）

文章目录

1. 背景介绍
2. 方案选型
3. 方案落地
- 3.1 示例工程
- 3.2 搭建开发环境
- - 3.2.1 windows 10
  - 3.2.2 mac
- 3.3 搭建部署环境
4. 参考资料

1. 背景介绍

网络上介绍 tesseract 做 OCR 文字识别的文章较少，且时间久远，实际落地时难免出现纰漏，笔者也是走了不少弯路，故梳理一份最新的文档，方便后人查阅。

2. 方案选型

刚开始有多种方向，考虑到易用性和数据安全，最终采用 tesseract，下面罗列选型的过程

OpenCV

计算机视觉领域的老大哥，原生提供 C++ 接口，也可以通过引入 :opencv:4.5.1-2 支持 Java对接，然而我没有找到专门用于 OCR 的接口
Tesseract

是一款专业的 OCR 引擎，尽管也是 C++ 编写的，但配合 .tess4j:tess4j:4.5.5 可以提供简洁的 Java API
腾讯云文字识别 OCR（入口）

成熟的 API，不仅能做到 OCR，还能对内容进行分词，如名片、收货人信息等，如果对数据不敏感，建议对接，效果好而且省时省力

3. 方案落地

3.1 示例工程

文末提供下载

新建 maven 工程

引入依赖

<dependency>
    <groupId>.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.5</version>
</dependency>

使用 Tesseract API 完成文本识别

// 创建实例
Tesseract instance = new Tesseract();
// 设置语言
instance.setLanguage("chi_sim");
// 设置语言包路径
instance.setDatapath("src/main/resources/tessdata");
// 设置文本文件
File file = new File("src/main/resources/sample/");
try {
  // 文本识别
  String result = instance.doOCR(file);
  System.out.println(result);
} catch (TesseractException e) {
  e.printStackTrace();
}

3.2 搭建开发环境

3.2.1 windows 10

安装 tesseract-ocr

下载地址 /tesseract/tesseract-ocr-w64-setup-v5.0.0.

其他版本可以查看 /tesseract/

安装过程中一直点下一步，建议取消语言包选项，后面手动下载
配置环境变量【可选】
- 在 Path 追加【C:\Program Files\Tesseract-OCR】，方便任意处调用 tesseract 命令
- 新建 TESSDATA_PREFIX，内容为【C:\Program Files\Tesseract-OCR】，用于加载语言包
  - Tips: 此处不建议使用环境变量，建议将语言包放在项目的 resources 资源文件夹下，便于移植
检验安装

cmd 窗口输入 tesseract -v，能输出版本信息即安装成功
语言包下载地址

中文 /mirrors/tesseract-ocr/tessdata/-/raw/master/chi_sim.traineddata
英文 /mirrors/tesseract-ocr/tessdata/-/raw/master/
数字 /mirrors/tesseract-ocr/tessdata/-/raw/master/

3.2.2 mac

笔者电脑为 mba2020 m1

安装软件主体
```
brew install tesseract
```
安装语言包【可选】

建议单独下载语言包，并放在项目的 resources 资源文件夹下
```
brew install tesseract-langs
```
检验安装
```
tesseract -v
```

卸载（如果你需要）

# 从第三方仓库获取模块
brew tap beeftornado/rmtree
# 删除 tesseract 及其所有依赖
brew rmtree tesseract
# 清理不需要的版本极其安装包缓存
brew cleanup

处理异常

Exception in thread "main" java.lang.UnsatisfiedLinkError: Unable to load library 'tesseract':
dlopen(libtesseract.dylib, 9): image not found
dlopen(libtesseract.dylib, 9): image not found
dlopen(/Users/linjingcheng/Library/Frameworks/tesseract.framework/tesseract, 9): image not found
dlopen(/Library/Frameworks/tesseract.framework/tesseract, 9): image not found
dlopen(/System/Library/Frameworks/tesseract.framework/tesseract, 9): image not found
Native library (darwin-x86-64/libtesseract.dylib) not found in resource path

参考 /questions/21394537/tess4j-unsatisfied-link-error-on-mac-os-x

简单来说就是在 mac 下 tess4j 这个包少了 darwin-x86-64/（tess4j 4.5.5 之前是 darwin/），需要自己手动添加进去，或者按照 3.3 的方式进行操作

3.3 搭建部署环境

案例：在windows上项目是可以正常运行的，部署到Linux上后，运行报异常，异常内容为：Unable to load library ‘tesseract’: Native library (linux-x86-64/libtesseract）
报错原因就是项目无法加载库资源文件 libtesseract（在linux上是.so文件，windows是.dll文件）

安装编译环境：gcc gcc-c++ make
```
yum install gcc gcc-c++ make
```
通过yum安装 autoconf automake libtool 和 libjpeg-devel libpng-devel libtiff-devel zlib-devel 等 7 个工具
```
yum install autoconf automake libtool libjpeg-devel libpng-devel libtiff-devel zlib-devel
```

安装依赖的Leptonica库（建议使用 su root 切换到root用户下安装，避免编译过程中的权限不足问题）

wget /source/leptonica-1.81.
tar -xzvf leptonica-1.81.
cd leptonica-1.81.1/
./configure
# tips: 需要几分钟，请耐心等待
make && make install

安装Tesseract-OCR（建议使用 su root 切换到root用户下安装，避免编译过程中的权限不足问题）

wget /tesseract-ocr/tesseract/archive/refs/tags/4.1.
tar -xzvf tesseract-4.1.
cd tesseract-4.1.0/
./
# 此步可能会报错，可以看第五步
./configure
make && make install
sudo ldconfig

解决【configure: error: Leptonica 1.74 or higher is required. Try to install libleptonica-dev package.】问题

# 加入环境变量
vim /etc/profile
export LD_LIBRARY_PATH=$LD_LIBRARY_PAYT:/usr/local/lib
export LIBLEPT_HEADERSDIR=/usr/local/include
export PKG_CONFIG_PATH=/usr/local/lib/pkgconfig

# 刷新配置
source /etc/profile

# 重新安装
./
./configure
# tips: 需要十分钟左右，请耐心等待
make && make install
sudo ldconfig

复制 tess4j 要的 linux 依赖库链接【重要】
```
cp /usr/local/lib/*.so.* /usr/lib64/
```

下载语言包（预训练文件）：中文、英文、数字【可选】

cd /usr/local/share/tessdata
# 原站点未加速，几乎不能下载
# wget /tesseract-ocr/tessdata/blob/master/chi_sim.traineddata
# wget /tesseract-ocr/tessdata/blob/master/
# wget /tesseract-ocr/tessdata/blob/master/
wget /mirrors/tesseract-ocr/tessdata/-/raw/master/chi_sim.traineddata
wget /mirrors/tesseract-ocr/tessdata/-/raw/master/
wget /mirrors/tesseract-ocr/tessdata/-/raw/master/

防止找不到语言包【可选】

# 加入环境变量
echo "export TESSDATA_PREFIX=/usr/local/share/tessdata" >> /etc/profile

# 刷新配置
source /etc/profile

安装完成测试

# 查看版本
tesseract -v
# 执行命令识别图片中的文字并保存进本地的文本中
tesseract  reuslt -l chi_sim

4. 参考资料

示例项目 /download/coder1994/21698394
Linux系统安装及部署tess4j项目（CentOS 7为例） /weixin_51754359/article/details/109452233
Tesseract 文档地址 /tesseract-ocr/tessdoc
tess4j 官网 /

秒客网