java读取图片、PDF中图片上的文字-Toy模板网

这篇具有很好参考价值的文章主要介绍了java读取图片、PDF中图片上的文字。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

读取图片上的文字

提示：本文是基于tess4j

前言

总是有一些与众不同的需求在等着研发人员去探索，本文介绍如何通过java读取图片上的文字。

一、tess4j是什么？

说tess4j之前，先说说Tesseract，因为tess4j是基于它的封装。

Tesseract的OCR引擎最先由HP实验室于1985年开始研发,至1995年时已经成为OCR业内最准确的三款识别引擎之一。Tesseract目前已作为开源顶目发布在GoogleProject,它与Leptonica图片处理库结合,可以读取各种格式的图像并将它们转化成超过60种语言的文本,我们还可以不断训练自己的库,使图像转换文本的能力不断增强,如果团队深度需要,还可以以它为模板,开发出等合自身需求的OCR引擎。

Tess4J 是Java （JNA）对 Tesseract OCR API 的封装。

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

Tess4J官网：http://tess4j.sourceforge.net/codesample.html

语言库：(需要科学上网下载)

https://github.com/tesseract-ocr/tessdata

https://codechina.csdn.net/mirrors/tesseract-ocr/tessdata

Tess4J是Tesseract在Java PC上的应用。在英文和数字识别中性能还是不错的，但是在中文识别中，无论速度还是识别率还是较弱，建议有条件的话，针对场景进行训练，会获得较好结果，本文仅对目前Tess4J的中文识别进行简单介绍。

二、使用步骤

1.POM引入库

        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.6.0</version>
        </dependency>

2.实例代码

    public static void main1(String[] args) throws IOException {
        Tesseract tesseract = new Tesseract();
        //设置语言库位置
        tesseract.setDatapath("/xxx/tessdata");
        //设置语言类型
        tesseract.setLanguage("chi_sim");
        //img
        BufferedImage image = ImageIO.read(new File("a.png"));
        try  {
            String result = tesseract.doOCR(image);
            //PDF
            //String result = tesseract.doOCR(new File("xxx.pdf"));
            System.out.println(result);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

对代码进行说明：
支持操作图片：支持jpg、png等格式的图片。
支持操作PDF。
代码其实不多，因为已经封装了很多细节，我们只需要知道是借助Tesseract实体，通过给他设置语言库和操作语言来实现OCR光学识别。
<

我这里将语言库打包了，有需要的伙伴可以下载：

https://download.csdn.net/download/qq_38653981/87695195

java读取图片、PDF中图片上的文字

其实Tesseract支持渲染格式类型有很多，上面一个枚举其实可以看到，所以不仅仅是图片，比如PDF也是支持的，原理基本都是OCR光学识别，当然，越清楚识别的越精准，如果有特殊要求，比如识别手写的内容，需要做语言训练，说白了就是要新增语言库的识别对应关系，不然程序没法匹配出来特殊的字，比如草书、特定签名、特殊标识等。

如果需要针对手写中文等特殊处理的字进行训练，可以参考这位朋友写的博客：
https://blog.csdn.net/weixin_29254673/article/details/113322249

总结

网上有很多操作的实现方式，我只是针对Tess4J进行了研究学习，更多的细节其实可以多去看看源码，里面有一些更深入的讲解，Tesseract因为涉及安装，所以操作有点麻烦，但是更加精准。一般我们项目开发，还是结合使用最佳，关键的东西就是语言库，这个东西只要完善了，Tess4J会很强大。
以上就是本次分享的内容，欢迎大家点赞学习文章来源地址https://www.toymoban.com/news/detail-494464.html

到了这里，关于java读取图片、PDF中图片上的文字的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！