Java也能做OCR！SpringBoot 整合 Tess4J 實現圖片文字識別

程式設計師濟癲發表於2023-10-13

前言

今天給大家分享一個SpringBoot整合Tess4j庫實現圖片文字識別的小案例，希望xdm喜歡。

文末有案例程式碼的Git地址，可以自己下載了去玩玩兒或繼續擴充套件也行。

話不多說，開整吧。

什麼是Tess4j庫

先簡單給沒聽過的xdm解釋下，這裡要分清楚Tesseract和Tess4j的區別。

Tesseract是一個開源的光學字元識別（OCR）引擎，它可以將影像中的文字轉換為計算機可讀的文字。支援多種語言和書面語言，並且可以在命令列中執行。它是一個流行的開源OCR工具，可以在許多不同的作業系統上執行。

Tess4J是一個基於Tesseract OCR引擎的Java介面，可以用來識別影像中的文字，說白了，就是封裝了它的API，讓Java可以直接呼叫。

搞清楚這倆東西，就足夠了。

案例

1、引入依賴

既然是SpringBoot，基礎依賴我就不贅述了，這裡貼下Tess4J的依賴，是可以用maven下載的。

<!-- tess4j -->
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.4</version>
</dependency>

2、yml配置

這裡，我特地把訓練資料的目錄路徑配置在yml裡，後續可以擴充套件到配置中心。

server:
  port: 8888

# 訓練資料資料夾的路徑
tess4j:
  datapath: D:/tessdata

然後我解釋下什麼是訓練資料

Tesseract OCR庫透過訓練資料來學習不同語言和字型的特徵，以便更好地識別圖片中的文字。

在安裝Tesseract OCR庫時，通常會生成一個包含多個子資料夾的訓練資料資料夾，其中每個子資料夾都包含了特定語言或字型的訓練資料。

比如我這裡是下載後放到了D盤的tessdata目錄下，如圖所示，其實就是一個.traineddata為字尾的檔案，大小約2M多。

如果你沒有特定的訓練資料需求，使用預設的訓練資料檔案即可，我這裡就是直接下載預設的來用的。

還有一點要注意的是，直接讀resource目錄下的路徑是讀不到的哈，所以我放到了D盤，訓練資料本身也是更推薦放到獨立的位置，方便後續訓練資料。

3、config配置類

我們新建一個配置類，初始化一下Tesseract類，交給Spring管理，這樣借用了Spring的單例模式。

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: 公眾號【Java分享客棧】
 * @日期: 2023/10/12 22:58
 * @描述:
 */
@Configuration
public class TesseractOcrConfiguration {

   @Value("${tess4j.datapath}")
   private String dataPath;

   @Bean
   public Tesseract tesseract() {

      Tesseract tesseract = new Tesseract();
      // 設定訓練資料資料夾路徑
      tesseract.setDatapath(dataPath);
      // 設定為中文簡體
      tesseract.setLanguage("chi_sim");
      return tesseract;
   }
}

4、service實現

就幾行程式碼，非常簡單。

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
@AllArgsConstructor
public class OcrService {

    private final Tesseract tesseract;

   /**
    * 識別圖片中的文字
    * @param imageFile 圖片檔案
    * @return 文字資訊
    */
    public String recognizeText(MultipartFile imageFile) throws TesseractException, IOException {

        // 轉換
        InputStream sbs = new ByteArrayInputStream(imageFile.getBytes());
        BufferedImage bufferedImage = ImageIO.read(sbs);

        // 對圖片進行文字識別
        return tesseract.doOCR(bufferedImage);
    }
}

5、新增rest介面

我們新建一個rest介面，用來測試效果，使用上傳圖片檔案的方式。

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
@AllArgsConstructor
public 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 {

      // 呼叫OcrService中的方法進行文字識別
      return ocrService.recognizeText(file);
    }
}