SpringBoot+Tess4j：轻松实现OCR功能

一、引言二、功能演示三、功能实现1. 描述2. 编码实现四、源码五、结束语一、引言你是否曾遇到过这样的情况看到一段有用的文本想要快速复制下来却只能眼巴巴地盯着屏幕手动输入其实Java 也可以轻松实现 OCR光学字符识别功能让你轻松识别并提取图片中的文字信息。不需要庞大的外部工具也不必担心复杂的配置只需几行代码Java 就能帮你搞定 OCR接下来我们将带你一步步揭开这项技术的神秘面纱让你的 Java 项目更加智能、便捷。二、功能演示先让我们看看最终效果再进行实现三、功能实现1. 描述在这部分我们将使用 SpringBoot 和 Tess4j 来实现 OCR 功能。Tess4j 是一个基于 Tesseract 的 Java 封装库它让我们能够轻松地在 Java 应用中使用 OCR 技术。无论你是在处理扫描的文档、识别图片中的文字还是自动化读取截图内容Tess4j 都能派上用场。通过与 SpringBoot 结合我们可以快速搭建一个轻量级的 RESTful 服务轻松应对各种 OCR 需求。2. 编码实现2.1 引入依赖dependency groupIdnet.sourceforge.tess4j/groupId artifactIdtess4j/artifactId /dependency2.2 初始化Tesseract引擎项目部署:使用new ClassPathResource(tess_data).getFile().getAbsolutePath()可能在项目打成 Jar 包后无法正常访问。为了解决这个问题可以参考一些开源项目中的TensorflowUtil工具类将resource文件进行转存后再加载。在 Linux 环境中还需要解决 无法初始化net.sourceforge.tess4j.TessAPI的问题确保所有必要的依赖库和系统配置正确。训练数据:不同的训练数据和配置会影响识别结果的精度和速度。可以根据实际需求自行训练适合的数据集。免费的训练数据包括:tessdata_best: 主要针对高精度要求的应用场景虽然识别速度较慢但结果更准确。tessdata: 是标准的训练数据集平衡了识别速度和精度适合一般的 OCR 应用。tessdata_fast: 适用于需要快速识别的场景虽然精度略低但可以显著提升识别速度。/** * TesseractOcr 模型加载 * * author : YiFei */ Slf4j Getter Component publicclass TesseractOcrModelService { privatefinal Tesseract tesseract new Tesseract(); public TesseractOcrModelService() { try { // 获取训练模型文件夹 该方法在打包为jar后会有问题建议使用项目中TensorflowUtil工具类 String folderPath new ClassPathResource(tess_data).getFile().getAbsolutePath(); /* * OEM_TESSERACT_ONLY 0表示仅运行Tesseract OCR引擎不使用LSTMLong Short-Term Memory线识别器。Tesseract是一种传统的OCR引擎适用于一般的文字识别任务。 * OEM_LSTM_ONLY 1表示仅运行LSTM线识别器不使用Tesseract。LSTM是一种深度学习模型通常在处理复杂文本或手写文字识别等任务时表现较好。 * OEM_TESSERACT_LSTM_COMBINED 2表示同时运行Tesseract和LSTM识别器并在遇到困难情况时允许回退到Tesseract。这种组合模式可以在不同情况下灵活地选择最适合的识别引擎。 * OEM_DEFAULT 3当调用 init_*() 方法时指定此模式表示可以根据语言特定配置、命令行配置等自动推断使用哪种模式。如果没有明确指定则默认使用 OEM_TESSERACT_ONLY 模式。 */ tesseract.setPageSegMode(OEM_TESSERACT_LSTM_COMBINED); // 设置Tesseract OCR引擎的训练数据文件夹路径 /* * chi_sim.traineddata: Chinese Simplified中文简体 * chi_sim_vert.traineddata: Chinese Simplified Vertical中文简体竖排 * chi_tra.traineddata: Chinese Traditional中文繁体 * chi_tra_vert.traineddata: Chinese Traditional Vertical中文繁体竖排 */ tesseract.setDatapath(folderPath); tesseract.setPageSegMode(6); // 设置为中文简体 tesseract.setLanguage(chi_sim); } catch (Exception e) { thrownew RuntimeException(e); } } }2.3 编写 RESTful 接口/** * Ocr-控制器 * * author : YiFei */ RestController RequestMapping(ocr) RequiredArgsConstructor publicclass OcrController { privatefinal TesseractOcrModelService tesseractOcrModelService; PostMapping(/detection) public ResultString ocrDetection(MultipartFile file) { try { /* 图片调整推荐 : 二值化将图像转换为黑白有助于提高对比度。 去噪去除图像中的噪声。 旋转矫正确保图像中的文本是水平的。 */ Tesseract tesseract tesseractOcrModelService.getTesseract(); return Result.success(tesseract.doOCR(ImageIO.read(file.getInputStream()))); } catch (Exception e) { thrownew RuntimeException(ImageIO.read(file.getInputStream())) 解析错误); } } }四、源码https://gitee.com/fateyifei/yf注意事项 :平台一人一号账号可以通过邮箱、第三方平台自动注册。用户名密码方式登录请联系管理员手动添加、手机号不可用。敏感数据以做信息脱敏在线聊天功能消息已做脏词过滤群发、系统、AI消息不会被平台记录五、结束语Tess4j 在识别身份证号、手机号和英文单词方面表现不错但在使用免费训练数据时识别中文的效果相对较差。如果您对识别质量有更高的要求可以考虑以下几种方案专项训练通过自定义数据集进行专项训练提升对特定文本类型或语言的识别精度。调用第三方 API利用专业的 OCR 服务提供商如Google Cloud Vision、Microsoft Azure OCR或Amazon Textract这些平台通常能提供更高的识别准确性和更多的功能。此外Tess4j 也可以应用于其他场景文档数字化将纸质文档转换为可编辑的电子文本。自动数据录入自动从扫描的表格、账单等文件中提取数据。车牌识别从交通摄像头捕捉的图像中自动识别车牌号码。手写识别将手写内容转换为数字文本。尽管这些方法可能需要额外的成本和设置但它们能显著提升识别效果帮助您满足更高的需求。