java程序集成Tesseract-OCR识别图片信息

---

       最近老大说是要实现一个识别图片中的信息，然后与数据库中的相关信息匹配的一个功能，然后给了我说了个OCR技术，叫我去看看。没搞过啊，只能赶紧网上搜索资料，资料还挺多。OCR（Optical Character Recognition，光学字符识别）,比较常用的是谷歌的一个ocr引擎Tesseract-OCR,然后去网上下载下载下来解压，通过cmd命令测试，定位到文件夹下，然后通过命令tesseract 001.jpg 123 -l chi_sim测试效果还不错，tesseract-ocr 3.0可以支持中文，然后就想用程序来调用命令。

• cmd测试效果图

执行ocr命令：

需要解析的图片：

解析识别出来的文字：

保证图片的分辨率还是挺准确的。

---

       然后是通过java程序来执行命令，这个也是比较简单的，但是也是遇到了两个问题：

• 问题1
  tesseract-ocr 不支持pdf格式的解析，对tif格式图片解析也不是很好的支持，我要实现的是对pdf进行解析，这就难免要进行图片的转换，pdf具有文档形式和图片形式（扫描版）而且具有很多版本，本以为很简单的事情，但是尝试了很多方法各种扩展jar包都不能全面兼容，最后终于找到了pdfbox-app-2.0.7.jar+jbig2-imageio-1.6.5.jar解决掉
• 问题2
  tesseract-ocr解析效率特别慢，解析一张a4纸大小的图片，需要
  花费二三十秒，简直无法忍受。但是tesseract-ocr这东西毕竟太高深没法碰，只能从图片入手，之前测试的一行字的小图片解析只需要一秒钟，所以就以这种形式，将自己需要的图片信息截取下来，然后通过多线程调用tesseract-ocr进行解析,效果还不错，下面附源代码：

OcrEngine.java

package com.jj.test2;import java.awt.image.BufferedImage;import java.io.File;import java.io.FileOutputStream;import java.io.IOException;import java.util.Map;import java.util.Set;import java.util.UUID;import java.util.Vector;import javax.imageio.ImageIO;import org.apache.pdfbox.pdmodel.PDDocument;import org.apache.pdfbox.pdmodel.encryption.InvalidPasswordException;import org.apache.pdfbox.rendering.ImageType;import org.apache.pdfbox.rendering.PDFRenderer;public class OcrEngine{    /**     * 日志     */    private static String tesspath ;  //ocr路径    private static String tempath ;   //临时文件路径    private static String TYPE_PDF = "pdf";//定义处理图片的类型    private static String TYPE_JPG = "jpg";    /**     * 解析文件     * @param context     * @param file     * @throws TxnException      */    public static void main(String args[]){        try {            Map<String,String> result = parseFile(new File("d:\\testdata\\001.pdf"));            for(Map.Entry<String,String> entry : result.entrySet()){                  System.out.print("Key = "+entry.getKey()+",value="+entry.getValue());              }         } catch (Exception e) {            // TODO Auto-generated catch block            e.printStackTrace();        }    }    public static Map<String,String> parseFile(File file) throws Exception{        Long start = System.currentTimeMillis();        tempath = "d:\\temp\\";        tesspath = "d:\\application\\Tesseract-OCR\\";        try{            if(!new File(tempath).exists()){                new File(tempath).mkdir();            }            if(!new File(tesspath+File.separator+"tesseract.exe").exists()){                throw new RuntimeException("OCR异常-不存在OCR引擎");            }            if(!file.exists()){                throw new RuntimeException("OCR异常-图片文件不存在");            }            String filetype = file.getName().substring(file.getName().lastIndexOf(".")+1);            System.out.println("=========>runtime1:"+(System.currentTimeMillis()-start));            if(TYPE_PDF.equals(filetype)){//可以自行添加图片格式                file = pdf2Jpg(file);            }else{                throw new RuntimeException("OCR异常-不支持的文件格式");            }            System.out.println("=========>runtime3:"+(System.currentTimeMillis()-start));            Vector<Thread> threads = new Vector<Thread>();            OcrOperate oop = new OcrOperate(file, tempath);            for (int i = 0; i < 4; i++) {                Thread iThread = new Thread(oop);                threads.add(iThread);                iThread.start();            }              for (Thread iThread : threads) {                  try {                      // 等待所有线程执行完毕                      iThread.join();                } catch (InterruptedException e) {                      e.printStackTrace();                  }              }            System.out.println("=========>runtime4:"+(System.currentTimeMillis()-start));            return oop.getResult();        } catch (Exception e){            throw new RuntimeException("OCR异常-解析文件错误",e);        }    }    /**     * 将pdf文件转换成jpg文件     * @param infile     * @return     * @throws InvalidPasswordException     * @throws IOException     */    private static File pdf2Jpg(File infile) throws InvalidPasswordException, IOException {        Long start = System.currentTimeMillis();        File outfile = null;        PDDocument document = null;        PDFRenderer renderer = null;        try {            document = PDDocument.load(infile, (String)null);            outfile = new File(tempath+File.separator+UUID.randomUUID()+".jpg");//输出文件            ImageIO.scanForPlugins();            renderer = new PDFRenderer(document);            System.out.println("=========>runtime1.1:"+(System.currentTimeMillis()-start));            BufferedImage image = renderer.renderImageWithDPI(0,300,ImageType.RGB);//控转换那种图片以及图片的像素            System.out.println("=========>runtime1.2:"+(System.currentTimeMillis()-start));            FileOutputStream out = new FileOutputStream(outfile);            ImageIO.write(image, TYPE_JPG, out);            out.close();            System.out.println("=========>runtime1.3:"+(System.currentTimeMillis()-start));            return outfile;        } finally{            if(document!=null){                document.close();            }        }    }}

OcrOperate.java

package com.jj.test2;import java.awt.Rectangle;import java.awt.image.BufferedImage;import java.io.BufferedReader;import java.io.File;import java.io.FileInputStream;import java.io.IOException;import java.io.InputStreamReader;import java.util.ArrayList;import java.util.HashMap;import java.util.LinkedList;import java.util.List;import java.util.Map;import java.util.UUID;import javax.imageio.ImageIO;import javax.imageio.ImageReadParam;import javax.imageio.ImageReader;import javax.imageio.stream.ImageInputStream;import org.jdesktop.swingx.util.OS;public class OcrOperate implements Runnable{    /**     * 日志     */    private String tesspath ;  //ocr路径    private String tempath ;   //临时文件路径    private File file;     //操作的文件    private String TYPE_JPG = "jpg";  //文件类型    private Map<String, String> result = new HashMap<String, String>(); //返回的结果集    private LinkedList<int[]> list = new LinkedList<int[]>();    public OcrOperate(File file,String tempath){        this.file = file;        this.tempath = tempath;        this.tesspath = "d:\\application\\Tesseract-OCR\\";        for(int i=0;i<4;i++){//自行设置图片位置（需要自己测试调整，要保证所有图片大小一直）            this.list.add(new int[]{230,950+i*130,1800,120});        }    }    @Override    public void run() {        try {            if(list.size()>0){                recognizeText(cutImage(file,list.removeFirst()));            }        } catch (IOException e) {            // TODO Auto-generated catch block            e.printStackTrace();        }    }    public Map<String, String> getResult(){        return result;    }    /**     * 截取图片获取有效数据-----提高解析速率     * @param file     * @return     * @throws IOException     */    private File cutImage(File file,int[] arr)throws IOException {       FileInputStream is =   null ;       ImageInputStream iis = null ;       Rectangle rect = null;       File outFile = null;       try {           ImageReader reader = ImageIO.getImageReadersByFormatName(TYPE_JPG).next();           is = new FileInputStream(file);           iis = ImageIO.createImageInputStream(is);           reader.setInput(iis, true ) ;           ImageReadParam param = reader.getDefaultReadParam();              rect =   new Rectangle(arr[0],arr[1],arr[2],arr[3]);           param.setSourceRegion(rect);           BufferedImage bi=reader.read(0,param);           outFile = new File(tempath+File.separator+UUID.randomUUID()+".jpg");           ImageIO.write(bi,TYPE_JPG,outFile);       } finally{           if (is != null )               is.close() ;            if (iis != null )               iis.close();           //file.delete();       }       return outFile;    }    /**     * 调用OCR引擎解析图片     * @param file     * @return     * @throws TxnErrorException      * @throws IOException      */    private void recognizeText(File file) throws IOException{        Process process = null;        BufferedReader br = null;        //设置输出文件的保存的文件目录         File outfile = new File(tempath,UUID.randomUUID()+"");        List<String> cmd = new ArrayList<String>();        if (OS.isWindowsXP()){            cmd.add(tesspath + "\\tesseract");        } else if (OS.isLinux()){            cmd.add(tesspath+File.separator+"tesseract");          } else{            cmd.add(tesspath + "\\tesseract");          }        cmd.add("");          cmd.add(outfile.getName());          cmd.add("-l");          cmd.add("CHI_SIM");        // cmd.add("ENG");        try {            ProcessBuilder pb = new ProcessBuilder();              //设置线程的工作路径             pb.directory(file.getParentFile());              cmd.set(1, file.getName());              pb.command(cmd);              pb.redirectErrorStream(true);            process = pb.start();            //Runtime.getRuntime().exec("D:\\application\\Tesseract-OCR\\tesseract d:\\testdata\\002.jpg d:\\testdata\\output -l chi_sim");              System.out.println("=========>cmd:"+cmd.toString());            //设置一个解析时间阈值，超过该值解析停止            int i = 120;            outfile = new File(outfile.getAbsoluteFile()+".txt");            while(!(outfile.exists()) && i-->0){                try {                    Thread.sleep(100);                } catch (InterruptedException e) {                    e.printStackTrace();                }            }            if (outfile.exists()){                br = new BufferedReader(new InputStreamReader( new FileInputStream(outfile), "UTF-8"));                  String str = null;                  while ((str = br.readLine()) != null){                    str = str.replaceAll("\\s*\\p{Punct}*", "");//去掉空白符号和标点符号                    System.out.println("=======>str:"+str);                    if(str.contains("问题一")){//根据结果集自行调整 截取位置                        result.put("question1", str.substring(7,str.indexOf("发文序号")));                        result.put("question11", str.substring(str.indexOf("发文序号")+4));                    }else if(str.contains("问题二")){                        result.put("question2", str.substring(8));                    }else if(str.contains("问题三")){                        result.put("question3", str.substring(6));                    }else if(str.contains("问题四")){                        result.put("question4", str);                    }                }            } else{                throw new RuntimeException("OCR异常-解析超时，未识别出文本文件");            }        } finally {            if(process!=null){                process.destroy();            }            if(br!=null){                try {                    br.close();                } catch (IOException e) {                    e.printStackTrace();                }            }            //file.delete();            //outfile.delete();            //清空临时文件数据            /*for(File file2 : new File(tempath).listFiles()){                file2.delete();            }*/        }    }}

OcrEngine.java是主方法，包括图片的转换和线程的起掉，OcrOperate.java实现图片的切割和ocr解析图片。感觉还是很弱智，后面再改善，另外ocr的解析时间是变短了，但是pdf转jpg的时间还是很长，这个主要是转的时候要求的分辨率太高了，可以自行调整，或者寻找另一种效率更快兼容性更好的扩展jar包来转换pdf。