一、简介
1.1关于项目
Tesseract是一款优秀的开源OCR软件，是由HP实验室开发，Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。
目前由Google维护改进，已发展到5.0版本，从4.0版本起增加了基于LSTM神经网络的识别引擎
本项目使用Springboot + Tesseract OCR引擎实现图片文字自动识别功能。
1.2准备
JDK：17
Maven：3.6
开发工具：IntelliJ IDEA
Tesseract模型文件：chi_sim.traineddata
本项目源代码：可私信联系
1.3Tesseract模型文件下载
https://gitcode.com/tesseract-ocr/tessdata/blob/main/chi_sim.traineddata
二、新建SpringBoot项目
点击"Finish"，项目创建。建议修改maven版本与配置文件（这里使用阿里云配置文件，以便支持后续导入依赖）
修改后，重新reload
三、项目配置
3.1引入依赖
net.sourceforge.tess4j tess4j 4.5.4
3.2yml配置
server: port:8888# 训练数据文件夹的路径tess4j: datapath: D:/tessdata
3.3 模型文件存到相应目录
有一点要注意的是，直接读resource目录下的路径是读不到的哈，所以我放到了D盘，训练数据本身也是更推荐放到独立的位置，方便后续训练数据。
四、开发
4.1配置类
我们新建一个配置类，初始化一下Tesseract类，交给Spring管理，这样借用了Spring的单例模式。
packagecom.example.tesseractocr.config;importnet.sourceforge.tess4j.Tesseract;importorg.springframework.beans.factory.annotation.Value;importorg.springframework.context.annotation.Bean;importorg.springframework.context.annotation.Configuration;/**
* @作者:
* @日期: 2023/10/12 22:58
* @描述:
*/@ConfigurationpublicclassTesseractOcrConfiguration{@Value("${tess4j.datapath}")privateString dataPath;@BeanpublicTesseracttesseract(){Tesseracttesseract=newTesseract();// 设置训练数据文件夹路径tesseract.setDatapath(dataPath);// 设置为中文简体tesseract.setLanguage("chi_sim");returntesseract; }}4、service实现
4.2service实现
packagecom.example.tesseractocr.service;importlombok.AllArgsConstructor;importnet.sourceforge.tess4j.*;importorg.springframework.stereotype.Service;importorg.springframework.web.multipart.MultipartFile;importjavax.imageio.ImageIO;importjava.awt.image.BufferedImage;importjava.io.ByteArrayInputStream;importjava.io.IOException;importjava.io.InputStream;@Service@AllArgsConstructorpublicclassOcrService{privatefinalTesseract tesseract;/** * 识别图片中的文字 *@paramimageFile 图片文件 *@return文字信息 */publicStringrecognizeText(MultipartFile imageFile)throwsTesseractException, IOException {// 转换InputStreamsbs=newByteArrayInputStream(imageFile.getBytes());BufferedImagebufferedImage=ImageIO.read(sbs);// 对图片进行文字识别returntesseract.doOCR(bufferedImage); }}
4.3Controller控制器类
packagecom.example.tesseractocr.controller;importcom.example.tesseractocr.service.OcrService;importlombok.AllArgsConstructor;importnet.sourceforge.tess4j.TesseractException;importorg.springframework.http.MediaType;importorg.springframework.web.bind.annotation.PostMapping;importorg.springframework.web.bind.annotation.RequestMapping;importorg.springframework.web.bind.annotation.RequestParam;importorg.springframework.web.bind.annotation.RestController;importorg.springframework.web.multipart.MultipartFile;importjava.io.IOException;@RequestMapping("/api")@RestController@AllArgsConstructorpublicclassOcrController{privatefinalOcrService ocrService;@PostMapping(value = "/recognize", consumes = MediaType.MULTIPART_FORM_DATA_VALUE)publicStringrecognizeImage(@RequestParam("file")MultipartFile file)throwsTesseractException, IOException {// 调用OcrService中的方法进行文字识别returnocrService.recognizeText(file); }}
五、测试
这里使用postman测试
这里是body中的参数，我们选择form-data中的File属性，表示以上传文件形式来调接口。
这里选取一个新闻内容
看下效果，其实还是挺不错的，我和图片比对了一下，基本上都识别出来了。
