linux系统如何使用tess4j（java）进行ocr图片文字识别

最近研究百度指数的采集，需要用到ocr，在网上找了很多材料，发现tesseract比较容易上手，而且可以自己训练，最重要的是，可以通过tess4j实现Java的JNA调用，如此一来，不但性能有保障，而且还可以跨平台。于是就在我的Windows机器上面创建了工程，参考着百度指数采集这篇博文的思路，写了代码，自己训练了数据样本，实现了百度指数的采集，感觉很开心。于是就想往Linux上面部署试试。结果遇到了问题。

首先，tess4j默认带有win32-x86-64 和win32-86 两个文件夹分别存放着64位和32位动态链接库，但是唯独没有Linux的动态链接库。于是我习惯性地从网上找相关材料，找了很久，只找到tess4j linux需要的so文件 - 下载频道 - CSDN.NET，以及

Linux——完全安装Tesseract环境 - Clare_0_0专栏 - 博客频道 - ... 但是这并不能解决我的问题，我尝试了so文件（放在自己新建的linux-x86-64目录下），

也安装了Tesseract环境，却出现了glibc版本不兼容，缺少libjpg.so这样的错误。我尝试一一解决这些问题（包括安装各种依赖包、安装和升级gcc、glibc），但是坑越挖越大，最后，发现这篇博文 CENTOS 下 编译安装 tesseract-ocr 3.0.4 识别文字  我按照博文的步骤安装了tesseract并进行了测试，结果成功实现了识别。这说明tesseract在我这个版本的Linux环境（centos 6.3）下没有兼容性问题。那么我的工程中对于依赖包的引用就有问题啦。根据上面的实验、分析，结合配置过程中的错误提示，最终总结出了Linux下支持tess4j的完整步骤（具体不同的系统操作上会有差别，但是原理一致）：

1、安装GCC开发环境，从而支持后续程序的编译安装：

yum groupinstall "Development Tools"

2、安装tesseract所需的依赖库

yum -y install libjpeg* libpng* freetype* gd* giflib* libtiff* zlib*

3、安装tesseract和leptonica

参考：CENTOS 下 编译安装 tesseract-ocr 3.0.4 识别文字

注意： 安装完成后，将/usr/local/lib/ 目录下的so文件拷贝到 /usr/lib64/

cp /usr/local/lib/*.so.* /usr/lib64/

4、测试和验证

通过上述3步，就完成了tesseract所需的环境配置，你的tess4j相关的应用，就可以在本Linux系统上面溜溜的运行了。

百度指数的原始图片数据，百度对数据做了打乱和混淆处理：

百度指数经过拼接后还原的图片数据（其中图片文件名即为tess4j识别的结果）：

完美！

参考： http://www.jianshu.com/p/361c97b4428a

• 解决/usr/lib/libstdc++.so.6: version `GLIBCXX_3.4.14' not found问题
• • version `GLIBCXX_3.4.21' not found 解决办法
  • CentOS6.5系统"libc.so.6: version 'GLIBC_2.15' not found"解决方法
  • CENTOS 下 编译安装 tesseract-ocr 3.0.4 识别文字 
    

淘宝爬虫 百度指数批量抓取 整体趋势 PC趋势 移动趋势 准确值

非常感谢上述博主的无私分享，也希望转载本文时注明出处！