Linux下部署tesseract-ocr以支持tess4j

目录

一、编译环境

二、下载代码库

三、编译并安装

四、配置依赖动态链接库

五、参考文章

---

在spring mvc中需要使用到tess4j，以实现文字识别功能。开发环境是windows 10，生产环境是ubuntu 18.04。在windows 10中不用太过操心，因为tess4j.jar中包含使用的动态链接库libtesseract.dll，但是没有Linux环境下的动态链接库，所以需要自己来安装并配置。

网上有人说只需在resources下建立目录linux-x86-64，并把编译好的libtesseract.so 和liblept.so复制过来就可以了。在tesseract 4.0之前或许可以，但是5.0以后就一定是不可以的。需要在服务器上编译并部署tesseract和leptonica。

一、编译环境

由于tesseract和leptonica都是C++开发的，所以需要搭建C++的编译环境。Ubuntu默认是不安装的，为了方便安装，ubuntu提供了安装包build-essential，按装此包，即可安装依赖的gcc和g++的编译环境。

sudo apt install build-essential

二、下载代码库

通过wget下载tesseract和leptonica代码库，注意版本的依赖关系。我下载的是5.0版本以及对应的leptonic-1.82.0。注意要下载发布后的版本，而不是直接从代码库中下载，因为发布的版本更稳定可靠。

wget https://github.com/tesseract-ocr/tesseract/archive/refs/tags/5.0.1.tar.gz

wget http://www.leptonica.org/source/leptonica-1.82.0.tar.gz

下载后，分别解压：

tar -vxf 5.0.1.tar.gz

tar -vxf leptonica-1.82.0.tar.gz

三、编译并安装

进入leptonica目录，并编译，命令如下：

cd leptonica-1.82.0
./configure && make && make install

编译后的安装目录为:/usr/local/lib

由于tesseract依赖leptonica，需要配置leptonica，使在编译tesseract时能找到leptonica。通过vim打开/etc/profile。

sudo vim /etc/profile

在文件的最后添加如下内容：

export LD_LIBRARY_PATH=$LD_LIBRARY_PAYT:/usr/local/lib
export LIBLEPT_HEADERSDIR=/usr/local/include
export PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig

接下来进入目录tesseract-5.0.1，并编译安装。由于此目录下尚没有生成configue文件，所以需要先通过命令./autogen.sh 生成configue文件。

cd ../tesseract-5.0.1
./autogen.sh
./configure && make && make install

tesseract也是安装在目录/usr/local/lib下面。

四、配置依赖动态链接库

在spring mvc项目的classes下面建立文件夹linux-x86-64，并建立软链接liblept.so.5 和libtesseract.so。可能是由于这两个库还依赖其他动态链接库，直接拷贝过来是不可以的。

mkdir linux-x86-64
cd linux-x86-64
ln -s /usr/local/lib/liblept.so.5.0.4 liblept.so.5
ln -s /usr/local/lib/libtesseract.so.5.0.0 libtesseract.so

五、语言训练数据文件

语言训练数据文件（例如eng.traineddata）需要从github下载，并且训练数据文件与tesseract-ocr存在相关性，在使用时若不是使用的最新版本的数据和lib，需要检查其匹配性，当前最新训练数据文件支持tesserect4.0以上版本。

tessdata分为三种类型：

1. 支持传统和LSTM OCR引擎的训练模型。tesssdata
2. 最佳（最准确）的LSTM模型，只适用于Tesseract 4的LSTM OCR引擎。tessdata_best
3. 训练有素的LSTM模型的快速整数版本，只适用于Tesseract 4的LSTM OCR引擎。tessdata_fast

六、参考文章

 Linux环境如何支持使用tess4j进行ORC