使用Tesseract-OCR对PDF等图片文件进行文字识别

安装

用 Homebrew 来安装 Tesseract

brew install tesseract

2. 完成 tessearact 的安装后，还需要安装中文数据包，执行以下两个操作，

brew info tesseract

执行这个指令的目的，是找到 Homebrew 把 tesseract 安装在文件夹内，例如，

/usr/local/Cellar/tesseract/3.05.02/share/tessdata/.

然后打开 Tesseract 的语言数据包的网页，点击 “chi_sim.traineddata”，电脑自动下载简体中文数据包。

git clone https://github.com/tesseract-ocr/tessdata_fast.git

git clone https://github.com/tesseract-ocr/tessdata_best.git  高清版

GitHub - tesseract-ocr/tessdata_best: Best (most accurate) trained LSTM models.

最后，把简体中文数据包chi_sim.traineddata，复制安装 tesseract 的文件夹内。

命令行用法

我们首先来看tesseract是否正确安装，同时验证版本：

$ tesseract --version
tesseract 4.1.0-rc1-56-g7fbd
 leptonica-1.76.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.4.2) : libpng 1.2.54 : libtiff 4.0.6 : zlib 1.2.8 : libwebp 0.4.4 : libopenjp2 2.1.2
 Found AVX2
 Found AVX
 Found SSE
 

识别的基本用法是”imagename outputbase [options…]”，4.1的版本options只能通过”-l”选择语言，比如：

tesseract test.png test -l chi_sim

它对test.png进行ocr，然后把识别结果保存在test.txt里。默认输出格式是文本文件，我们也可以让它输出pdf：

tesseract test.png test -l chi_sim pdf

除此之外，还有隐藏(extrac)的选项，需要样这个命令才会显示这些高级功能：

$ tesseract --help-extra
Usage:
  tesseract --help | --help-extra | --help-psm | --help-oem | --version
  tesseract --list-langs [--tessdata-dir PATH]
  tesseract --print-parameters [options...] [configfile...]
  tesseract imagename|imagelist|stdin outputbase|stdout [options...] [configfile...]
 
OCR options:
  --tessdata-dir PATH   Specify the location of tessdata path.
  --user-words PATH     Specify the location of user words file.
  --user-patterns PATH  Specify the location of user patterns file.
  --dpi VALUE           Specify DPI for input image.
  -l LANG[+LANG]        Specify language(s) used for OCR.
  -c VAR=VALUE          Set value for config variables.
                        Multiple -c arguments are allowed.
  --psm NUM             Specify page segmentation mode.
  --oem NUM             Specify OCR Engine mode.
NOTE: These options must occur before any configfile.
 
...省略了psm和oem的详细解释，后面会介绍。

比如使用psm，很多老的文档都是：

tesseract test.png test -l chi_sim -psm 1

这在新版本会有问题，必须用–psm才行：

tesseract test.png test -l chi_sim --psm 1

参数–oem指定使用的算法，0代表老的算法；1代表LSTM算法；2代表两者的结合；3代表系统自己选择。

参数–psm指定页面切分模式：

Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR. (not implemented)
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
       bypassing hacks that are Tesseract-specific.

默认是3，也就是自动的页面切分，但是不进行方向(Orientation)和文字(script，其实并不等同于文字，比如俄文和乌克兰文都使用相同的script，中文和日文的script也有重合的部分)的检测。如果我们要识别的是单行的文字，我可以指定7。OSD算法参考这里。我们这里已经知道文字是中文，并且方向是horizontal(从左往右再从上往下的写法，古代中国是从上往下从右往左），因此使用默认的3就可以了。

Java接口

Java接口使用的是javacpp-presets，这个项目强烈推荐Java程序员关注一下！！！它可以让Java开发者调用很多流行的C++库，包括：OpenCV、FFmpeg、OpenBLAS、CPython、LLVM、CUDA、MXNet、TensorFlow等等。当然也包括我们这里用到的Leptonica和Tesseract。

依赖

		<dependency>
			<groupId>org.bytedeco.javacpp-presets</groupId>
			<artifactId>tesseract-platform</artifactId>
			<version>4.0.0-1.4.4</version>
		</dependency>

我们这里只把C++的基本用法和按行输出用Java实现，其它的例子读者依葫芦画瓢把C++代码变成等价的Java代码就行了。javacpp-presets实现的代码和C++基本长得一样。

基本例子

完整代码在这里。

BytePointer outText;
 
TessBaseAPI api = new TessBaseAPI();
// Initialize tesseract-ocr with English, without specifying tessdata path
if (api.Init(null, "eng") != 0) {
    System.err.println("Could not initialize tesseract.");
    System.exit(1);
}
 
// Open input image with leptonica library
PIX image = pixRead(args.length > 0 ? args[0] : "testen-1.png");
api.SetImage(image);
// Get OCR result
outText = api.GetUTF8Text();
System.out.println("OCR output:\n" + outText.getString());
 
// Destroy used object and release memory
api.End();
api.close();
outText.deallocate();
pixDestroy(image);

上面的代码和C++的基本长得一样，因为C++没有GC，因此需要下面那些销毁对象的操作。如果要识别中文，那么需要修改Init的第二个参数：

if (api.Init(null, "chi_sim") != 0) {

但是如果直接执行，会出现如下错误：

Error opening data file /home/travis/build/javacpp-presets/tesseract/cppbuild/linux-x86_64/share/tessdata/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
Failed loading language 'eng'
Tesseract couldn't load any languages!
Could not initialize tesseract.

也就是默认会去”/home/travis/build/…“找模型，这是travis ci的路径，我们的机器当然没有。

为了解决这个问题有两种办法，第一种是运行程序是设置环境变量：

# 读者需要改成自己的路径
export TESSDATA_PREFIX=/usr/share/tesseract-ocr/4.00/tessdata
java -cp .....

另外一种方法就是调用init的时候指定路径：

if (api.Init("/usr/share/tesseract-ocr/4.00/tessdata", "eng") != 0) {
    System.err.println("Could not initialize tesseract.");
    System.exit(1);
}

按行输出

完整代码在这里。

BOXA boxes = api.GetComponentImages(tesseract.RIL_TEXTLINE, true, (PointerPointer) null, null);
System.out.print(String.format("Found %d textline image components.\n", boxes.n()));
for (int i = 0; i < boxes.n(); i++) {
	BOX box = boxes.box(i);
	api.SetRectangle(box.x(), box.y(), box.w(), box.h());
	BytePointer text = api.GetUTF8Text();
	int conf = api.MeanTextConf();
	System.out.println(String.format("Box[%d]: x=%d, y=%d, w=%d, h=%d, confidence: %d, text: %s",
	      i, box.x(), box.y(), box.w(), box.h(), conf, text.getString()));
	text.deallocate();
}

另还有一种方法

       
            net.sourceforge.tess4j
            tess4j
            4.4.1

        
                        
原文链接：https://blog.csdn.net/qq_39522120/article/details/135503159