OCR图片文字识别

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

Tesseract-OCR

Tesseract-OCR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：https:/tesseract-ocr.github.io/tessdoc/

在Java中使用

导入依赖

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.1.1</version>
</dependency>

代码示例

public class Main {
    public static void main(String[] args) throws TesseractException {
        // 创建实例
        Tesseract tesseract = new Tesseract();
        // 设置字体库路径，字体包所在文件夹
        tesseract.setDatapath("E:\\workspace");
        // 设置语言--》简体中文: 固定写法，chi_sim.traineddata去掉后缀
        tesseract.setLanguage("chi_sim");
        File file = new File("C:\\Users\\loster\\Downloads\\a.png");
        // 开始识别
        String res = tesseract.doOCR(file);
        System.out.println("识别结果:  " + res);
    }
}

识别结果：

识别结果:  你在狗叫什么? ? ? .
真是莫名其妙，

ocr识别中文包下载：

chi_sim.traineddata