Java实现CR-图片文字识别功能（超简单）

一.什么是OCR

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程

方案	说明
百度OCR	收费
Tesseract-OCR	Google维护的开源OCR引擎，支持Java，Python等语言调用
Tess4J	封装了Tesseract-OCR ，支持Java调用

二.Tesseract-OCR 的特点

• Tesseract支持UTF-8编码格式，并且可以“开箱即用”地识别100多种语言

• Tesseract支持多种输出格式：纯文本，hOCR（HTML），PDF等

• 官方建议，为了获得更好的OCR结果，最好提供给高质量的图像

• Tesseract进行识别其他语言的训练，具体的训练方式请参考官方提供的文档：Tesseract User Manual | tessdocTesseract documentationhttps://tesseract-ocr.github.io/tessdoc/

三.使用案例

1.导入相关的依赖

XML

1 2 3 4 5

net.sourceforge.tess4j tess4j 4.1.1

2.导入中文字体库

地址: tessdata.zip - 蓝奏云文件大小：1.6 M|https://wwvc.lanzouj.com/iuPhc1h7j46f

3.编写测试类进行测试

待识别的图片

测试程序

JAVA

package com.atguigu.gulimall.search.utils; import net.sourceforge.tess4j.Tesseract; import net.sourceforge.tess4j.TesseractException; import java.io.File; /** * @author Jason Gong * @version 1.0 * @Date 2023/12/8 * @Description */ public class Main { /** * 识别图片中的文字 * * @param args */ public static void main(String[] args) throws TesseractException { //创建实例 Tesseract tesseract = new Tesseract(); //设置字体库的路径 tesseract.setDatapath("C:\\Users\\c2405\\Desktop\\tessdata"); //设置语言 //字体库为chi_sim.traineddata,语言取.前面的内容,即文件名 //简体中文 tesseract.setLanguage("chi_sim"); //识别图片 String ocr = tesseract.doOCR(new File("C:\\Users\\c2405\\Desktop\\apic21002.jpg")); //打印识别的结果 //打印的时候可以去除回车和tab空格 //System.out.println(ocr.replaceAll("\\n|\\r","-")); System.out.println(ocr); } }

识别的结果