SpringBoot05：Spring Boot与Tesseract集成

后端
java, server

本文介绍怎样基于Tesseract开发OCR的功能。

1. 源码

地址：https://github.com/tyrival/SpringBoot-Dubbo-Sample

2. Tesseract

2.1 准备

2.2 pom.xml

最重要的是下面这个Tess4j，

1
2
3
4
5
6
7
<dependencies>
    <dependency>
        <groupId>net.sourceforge.tess4j</groupId>
        <artifactId>tess4j</artifactId>
        <version>4.0.2</version>
    </dependency>
<dependencies>

2.3 Tessdata

将第一步中下载的chi_sim.traineddata放在/src/main/resources/tessdata中，作为当前工程的训练库，基本可以识别大部分印刷体中文。如果有个性化的需求，例如艺术字、手写稿等，可以在网上搜索训练方法，非常简单，基本就是通过命令行加载并识别稿件，并对成果进行手工校准，校准完成之后就能形成个性化的训练库。

2.4 application.properties

1
2
# 设置训练库的路径，即在resources中的文件夹名
tess.data=tessdata

2.4 OcrServiceImpl.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
import com.alibaba.dubbo.config.annotation.Service;
import com.tyrival.common.ocr.OcrService;
import com.tyrival.ocr.utils.ExcelUtil;
import com.tyrival.ocr.utils.FileUtil;
import com.tyrival.ocr.utils.OcrUtil;
import com.tyrival.ocr.utils.WordUtil;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.util.ClassUtils;

@Service
@org.springframework.stereotype.Service
public class OcrServiceImpl implements OcrService {

	// application.properties中设置的tessData注入
    @Value("${tess.data}")
    private String tessData;

    @Override
    public String doOCR(String filePath) throws Exception {
        // word文件用poi读取
        if (FileUtil.isWord(filePath)) {
            return WordUtil.read(filePath);
        }
        // excel文件用poi读取
        if (FileUtil.isExcel(filePath)) {
            return ExcelUtil.read(filePath);
        }
        // 其他文件ocr，例如图片、pdf等
        String result = OcrUtil.doOCR(filePath, this.getTessData());
        return result;
    }

    private String getTessData() {
        return ClassUtils.getDefaultClassLoader().getResource("").getPath() + tessData;
    }
}

2.5 OrcUtil.java

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
package com.tyrival.ocr.utils;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

import java.io.File;
import java.io.FileNotFoundException;

public class OcrUtil {

    private final static String CHINESE = "chi_sim";
    private final static String ENGLISH = "eng";

    private static ITesseract instance;

    public static String doOCR(String filePath, String tessData) throws TesseractException, FileNotFoundException {
        return doOCR(filePath, tessData, CHINESE);
    }

    /* 过程非常简单 */
    public static String doOCR(String filePath, String tessData, String language) throws TesseractException, FileNotFoundException {

        ITesseract instance = getTesseract();
        File file = new File(filePath);
        if (!file.isFile()) {
            throw new FileNotFoundException("未找到 " + filePath + " 文件");
        }
        
        // tessdata文件夹默认位置是工程根目录下/tessdata，即与/src目录同级
        // 此处我们放在resources下，所以要进行手工设置datapath
        instance.setDatapath(tessData);
        instance.setLanguage(language);
        String result = instance.doOCR(file);
        return result;
    }

    private static ITesseract getTesseract() {
        if (instance == null) {
            instance = new Tesseract();
        }
        return instance;
    }
}

2.6 问题

在MacOS下运行工程，如果通过controller模块中的/ocr/do接口运行，在识别过程中会崩溃，错误日志反应似乎是和dubbo有冲突，Windows和Linux还没测试，不知道是不是MacOS特有的。

解决办法：直接在ocr模块中建立controller，直接访问本模块的service，不通过dubbo进行远程调度，就不会出现这个问题。

分享到