版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/catoop/article/details/52438892
1、Tesseract介绍
tesseract 是一个google支持的开源ocr项目,其项目地址:https://github.com/tesseract-ocr/tesseract,目前最新的源码可以在这里下载。
实际使用tesseract ocr也有两种方式:1- 动态库方式 libtesseract 2 - 执行程序方式 tesseract.exe
2、Tesseract安装包下载
Tesseract的release版本下载地址:https://github.com/tesseract-ocr/tesseract/wiki/Downloads
Currently, there is no official Windows installer for newer versions.
意思就是官方不提供最新版windows平台安装包,只有相对略老的3.02.02版本,其下载地址:https://sourceforge.net/projects/tesseract-ocr-alt/files/。
最新版3.03和3.05版本,都是三方维护和管理的安装包,有好几个发行机构,分别是:
3rd party Windows exe's/installer
binaries compiled by @egorpugin (ref issue # 209)https://www.dropbox.com/s/8t54mz39i58qslh/tesseract-3.05.00dev-win32-vc19.zip?dl=1
You have to install VC2015 x86 redist from microsoft.com in order to run them. Leptonica is built with all libs except for libjp2k.
3、Tesseract ocr 的使用
安装之后,默认目录C:\Program Files (x86)\Tesseract-OCR,你需要把这个路径放到你操作系统的path搜索路径中,这样用起来比较方便。
在安装目录C:\Program Files (x86)\Tesseract-OCR下可以看到 tesseract.exe这个命令行执行程序。
注:安装后的目录,你可以打包成压缩包拷贝到别的地方或别的电脑直接解压使用。
tesseract语法如下:
例如:tesseract 1.png output -l eng -psm 7 ,表示采取单行文本方式,使用英语字库识别1.png这个图片文件,识别结果输出到当前目录output.txt文件中。其中 -psm 7 表示用单行文本识别,-l eng 表示使用英语语言。所以
默认选项直接使用 “
tesseract 1.png output
” 即可。
4、Tesseract ocr 的 Java 工具类
package com.shanhy.unifiedintegral.common.ocr;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.List;
import org.jdesktop.swingx.util.OS;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.stereotype.Component;
/**
* 图形验证码识别
*
* @author 单红宇(365384722)
* @myblog http://blog.csdn.net/catoop/
* @create 2016年9月2日
*/
@Component
public class OCRHelper {
private final String LANG_OPTION = "-l";
private final String EOL = System.getProperty("line.separator");
/**
* tesseract安装目录
*/
@Value("${tesseractDirPath:C://Program Files (x86)//Tesseract-OCR}")//默认值C://Program Files (x86)//Tesseract-OCR
private String tessPath;
/**
* @param imageFile
* 传入的图像文件
* @param imageFormat
* 传入的图像格式
* @return 识别后的字符串
*/
public String recognizeText(File imageFile) throws Exception {
/**
* 设置输出文件的保存的文件目录
*/
File outputFile = new File(imageFile.getParentFile(), "output");
StringBuffer strB = new StringBuffer();
List<String> cmd = new ArrayList<String>();
if (OS.isWindowsXP()) {
cmd.add(tessPath + "\\tesseract");
} else if (OS.isLinux()) {
cmd.add("tesseract");
} else {
cmd.add(tessPath + "\\tesseract");
}
cmd.add("");
cmd.add(outputFile.getName());
cmd.add(LANG_OPTION);
// 设置语言参数
// cmd.add("chi_sim");// 中文简体(需要额外安装)
cmd.add("eng");// 英文(安装默认自带)
ProcessBuilder pb = new ProcessBuilder();
/**
* Sets this process builder's working directory.
*/
pb.directory(imageFile.getParentFile());
cmd.set(1, imageFile.getName());
pb.command(cmd);
pb.redirectErrorStream(true);
Process process = pb.start();
// tesseract.exe 1.jpg 1 -l chi_sim
// Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim");
/**
* the exit value of the process. By convention, 0 indicates normal
* termination.
*/
// System.out.println(cmd.toString());
int w = process.waitFor();
if (w == 0)// 0代表正常退出
{
BufferedReader in = new BufferedReader(
new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath() + ".txt"), "UTF-8"));
String str;
while ((str = in.readLine()) != null) {
strB.append(str).append(EOL);
}
in.close();
} else {
String msg;
switch (w) {
case 1:// 大部分是权限问题,当前运行的java执行权限不够
msg = "Errors accessing files. There may be spaces in your image's filename.";
break;
case 29:
msg = "Cannot recognize the image or its selected region.";
break;
case 31:
msg = "Unsupported image format.";
break;
default:
msg = "Errors occurred.";
}
throw new RuntimeException(msg);
}
new File(outputFile.getAbsolutePath() + ".txt").delete();
return strB.toString().replaceAll("\\s*", "");
}
public void setTessPath(String path){
this.tessPath = path;
}
// public static void main(String[] args) {
// try {
// OCRHelper ocr = new OCRHelper();
// ocr.setTessPath("D://Tesseract-OCR");
// System.out.println(ocr.recognizeText(new File("G://vcode.jpg")));
// } catch (Exception e) {
// e.printStackTrace();
// }
// }
}
其中的
tesseractDirPath
的是我把这个安装目录放到配置文件中了。
一般看起来比较正常的验证码基本可以直接识别,如果是有噪度的图片,可以自己先对图片处理,降噪后再使用该工具类识别。