点击左上角蓝字，关注“乱敲代码”
html
专一分享国外最新技术内容java
1.1 介绍
开发具备必定价值的符号是人类特有的特征。对于人们来讲识别这些符号和理解图片上的文字是很是正常的事情。与计算机那样去抓取文字不一样，咱们彻底是基于视觉的本能去阅读它们。web
另外一方面，计算机的工做须要具体的和有组织的内容。它们须要数字化的表示，而不是图形化的。spring
有时候，这是不可能的。有时，咱们但愿自动化的完成用双手从图像重写文本的任务。数组
针对这些任务，光学字符识别（OCR）被设计成一种容许计算机以文本形式“阅读”图形化内容的方法，和人类工做的方式类似。虽然这些系统相对准确，但仍然可能有至关大的误差。即使如此，修复系统的错误结果也远比手工从头开始要更加容易和快速。微信
就像全部的系统同样，本质上是类似的，光学字符识别软件在准备好的数据集上进行训练，这些数据集提供了足够多的数据用来帮助学习字符间的差别。若是咱们想让结果更加准确，那么这些软件如何学习也是很是重要的话题，不过这将是另一篇文章的内容了。网络
与其从新造轮或者想出一个很是复杂（但有用）的解决方案，不如咱们先坐下来看看已有的解决方案。app
1.2 Tesseract
科技巨头 Google 一直在开发一个 OCR 引擎 Tesseract ，它从最初诞生到如今已有数十年的历史。它为许多语言提供了API，不过咱们将专一于 Tesseract 的 Java API 。编辑器
很容易使用 Tesseract 来实现一个简单的功能。它主要用于读取计算机在黑白图片上生成的文字，而且结果的准确度较好。但这不是针对真实世界的文本。spring-boot
对于现实世界中，咱们最好使用像谷歌 Vision 这样的更高级的光学字符识别软件，这将在另外一篇文章中讨论。
1.2.1 Maven依赖
咱们只须要简单的添加一个依赖，就能够将引擎引入到咱们的项目：
<dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> <version>3.2.1</version></dependency>
1.2.2 光学字符识别
使用 Tesseract 绝不费力：
Tesseract tesseract = new Tesseract();tesseract.setDatapath("E://DataScience//tessdata");System.out.println(tesseract.doOCR(new File("...")));
咱们先实例化一个 Tesseract 实例，而后为已训练好的 LSTM （长短时间记忆网络）模型设置数据路径。
数据能够从官方GitHub账号处下载。
而后咱们调用 doOCR() 方法，该方法接受一个文件参数而且返回一个字符串——提取的内容。
让咱们给它提供一张有着大而清晰的黑色字符的白色背景图片：
提供这样一张图片会得到完美的结果：
Optical Character Recognition in Java is made easy with the help of Tesseract'
不过这张图片扫描起来过于简单了。它已经被归一化，并且有高分辨率和一致的字体。
让咱们来试试在纸上手写一些字符并将该图片提供给应用程序，这将会发生些什么呢：
咱们能够当即看到结果的改变：
A411“, written texz: is different {mm compatar generated but
有一些单词十分准确，而且你能够很轻松的辨认出 “written text is different from computer generated” ，可是第一个和最后一个单词差得有点多。
如今，为了让程序使用起来更简单，咱们把它转换成一个十分简单的 Spring Boot 应用程序，用更加温馨的图形化界面来展现结果。
1.3 实现
1.3.1 Spring Boot应用程序
首先，从使用Spring Initializr建立咱们的项目开始。它包含spring-boot-starter-web和spring-boot-starter-thymeleaf依赖。而后咱们手动导入Tesseract：
1.3.2 控制器
该应用程序只须要一个控制器，它将为咱们提供两个页面的展现、处理图片上传和光学字符识别功能：
@Controllerpublic class FileUploadController {
@RequestMapping("/") public String index() { return "upload"; }
@RequestMapping(value = "/upload", method = RequestMethod.POST) public RedirectView singleFileUpload(@RequestParam("file") MultipartFile file, RedirectAttributes redirectAttributes, Model model) throws IOException, TesseractException {
byte[] bytes = file.getBytes(); Path path = Paths.get("E://simpleocr//src//main//resources//static//" + file.getOriginalFilename()); Files.write(path, bytes);
File convFile = convert(file); Tesseract tesseract = new Tesseract(); tesseract.setDatapath("E://DataScience//tessdata"); String text = tesseract.doOCR(convFile); redirectAttributes.addFlashAttribute("file", file); redirectAttributes.addFlashAttribute("text", text); return new RedirectView("result"); }
@RequestMapping("/result") public String result() { return "result"; }
public static File convert(MultipartFile file) throws IOException { File convFile = new File(file.getOriginalFilename()); convFile.createNewFile(); FileOutputStream fos = new FileOutputStream(convFile); fos.write(file.getBytes()); fos.close(); return convFile; }}
Tesseract 能够和Java的 File 类一块儿工做，可是不支持表单上传的 MultipartFile 类。为了便于处理，咱们添加了一个简单的 convert() 方法，它将 MultipartFile 对象转换成一个普通的 File 对象。
一旦咱们利用 Tesseract 提取出了文本，咱们只需将该文本和扫描的图像一块儿添加到模型当中，而后附加到重定向的展现页面 - result。
1.3.3 展现页面
如今，让咱们定义一个包含简单文件上传表单的展现页面：
<html><body><h1>Upload a file for OCR:</h1>
<form method="POST" action="/upload" enctype="multipart/form-data"> <input type="file" name="file" /><br/><br/> <input type="submit" value="Submit" /></form>
</body></html>
以及一个结果页面：
<html xmlns:th="http://www.thymeleaf.org"><body>
<h1>Extracted Content:</h1><h2>><span th:text="${text}"></span></h2>
<p>From the image:</p><img th:src="'/' + ${file.getOriginalFilename()}"/></body></html>
运行这个应用程序将会有一个简单的交互界面迎接咱们
添加一个图片并提交它，屏幕上的结果将会包含提取的文本和上传的图片：
成功了！
1.4 结论
利用谷歌的 Tesseract 引擎，咱们搭建了一个十分简单的应用，它接受从表单提交来的图片，从中提取文本内容，最后将结果和图片一块儿返回给咱们。
因为咱们只使用了 Tesseract 有限的功能，因此这不是一个特别有用的应用程序。并且该应用程序对于演示目的以外的任何其余用途都过于简单，可是它能够做为一个有趣的工具来实现和测试。
当你想把内容数字化时，光学字符识别能够很快上手，特别是针对文档。他们很容易被扫描，而且提取的内容准确度也较好。固然，为了不潜在的错误，对结果文档进行校对老是明智的。
本文分享自微信公众号 - 乱敲代码（lqcoder）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。