幾行 Java 代碼搞定圖片提取文字功能
近日瀏覽網(wǎng)上一些圖片提取文字的網(wǎng)站，覺得甚是有趣，花費(fèi)半日也做了個(gè)在線圖片識(shí)別程序，完成了兩個(gè)技術(shù)方案的選擇，一是 tesseract + Python flask的方案實(shí)現(xiàn)，二是 tesseract + Spring web 的技術(shù)解決方案，并簡(jiǎn)作論述，與君共勉。
一、tesseract-ocr介紹
ocr 含義是Optical Character Recognition，含義即視覺字符識(shí)別。而tesseract是該領(lǐng)域特別優(yōu)秀開源的作品。
官方的tesseract定義：
OCR engine - libtesseract and a command line program - tesseract.
即tesseract包括一個(gè)視覺字符識(shí)別引擎libtesseract和命令行程序tesseract。
當(dāng)前最新穩(wěn)定版本是4.x.x基于LSTM，源碼可從找到tesseract的GitHub: tesseract.找到。
關(guān)于tesseract的工作模式如上圖所示。假設(shè)現(xiàn)在有一個(gè)圖片輸入，整個(gè)執(zhí)行流程為：
- 輸入（一張圖片）
- 有用信息提取（比如一個(gè)圖片上只有一個(gè)字，那其他留白的是無用，這個(gè)字上每個(gè)色素是有效的并且相關(guān)）
- 找出文字/線條
- 字符分類集
- 輸入與分類集對(duì)比找出最接近的
- 輸出識(shí)別結(jié)果
二、安裝tesseract
第一步下載
下載合適的exe安裝文件：
網(wǎng)址：https://digi.bib.uni-mannheim.de/tesseract/，下載完成后后裝即可
第二步環(huán)境變量配置
在path變量中加入tesseract-ocr的安裝路徑
第三步安裝成功檢測(cè)
使用tesseract指令，顯示如下：
Linux環(huán)境下載安裝與上述類似
下載leptonica 和 tesseract兩個(gè)包，解壓安裝，配置環(huán)境變量即可。網(wǎng)上很容易找到該安裝包。
三、使用命令行
1.tesseract + 圖片路徑 + 保存結(jié)果名 + -l 語(yǔ)言集
示列: tesseract 1606150081.png 1606150081 -l chi_sim
2.tesseract + 圖片路徑 +stdout -l +語(yǔ)言集
示列: tesseract D:\company\ruigushop\spring-2s\test.png stdout -l chi_sim
有了上述之后就可以完成web圖片識(shí)別程序的開發(fā)啦，廢話不多說，直接上代碼。
四、程序?qū)崿F(xiàn)(Python)
程序設(shè)計(jì)思路:
上傳圖片 -> 保存 ->對(duì)上傳的圖片執(zhí)行tesseract指令->獲取識(shí)別結(jié)果
只有二十多行代碼就實(shí)現(xiàn)了，so easy，以后網(wǎng)上看到圖片識(shí)別程序再也不會(huì)感覺神奇了吧！
- # coding=utf-8
- from flask import Flask, request
- import os
- import datetime
- import time
- app = Flask(__name__)
- def get_time_stamp():
- times = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
- array = time.strptime(times, "%Y-%m-%d %H:%M:%S")
- time_stamp = int(time.mktime(array))
- return time_stamp
- @app.route('/image/extract', methods=['POST'])
- def pure_rec():
- file = request.files.get('file')
- ts = str(get_time_stamp())
- up_path = os.path.join(ts + file.filename)
- file.save(up_path)
- cmd = "tesseract "+up_path+" " + ts + " -l chi_sim"
- print(cmd)
- os.system(cmd)
- with open(ts+".txt", 'r+', encoding="utf-8") as f:
- result = f.read()
- return result
- if __name__ == '__main__':
- app.run(debug=True)
五、程序?qū)崿F(xiàn)（Java）
不需要任何引入第三方j(luò)ar包，搭建一個(gè)簡(jiǎn)單的 Springboot Web 項(xiàng)目就可以了，沒有其他額外的依賴。
Controller:
- @RestController
- public class LiteralExtractController {
- @PostMapping("/image/extract")
- public String reg(@RequestParam("file")MultipartFile file) throws IOException {
- String result = "";
- String filefilename = file.getOriginalFilename();
- File save = new File(System.getProperty("user.dir")+"\\"+filename);
- if (!save.exists()){
- save.createNewFile();
- }
- file.transferTo(save);
- String cmd = String.format("tesseract %s stdout -l %s",System.getProperty("user.dir")+"\\"+filename,"chi_sim");
- result = cmd(cmd);
- return result;
- }
- public static String cmd(String cmd) {
- BufferedReader br = null;
- try {
- Process p = Runtime.getRuntime().exec(cmd);
- br = new BufferedReader(new InputStreamReader(p.getInputStream()));
- String line = null;
- StringBuilder sb = new StringBuilder();
- while ((line = br.readLine()) != null) {
- sb.append(line + "\n");
- }
- return sb.toString();
- } catch (Exception e) {
- e.printStackTrace();
- }
- finally
- {
- if (br != null)
- {
- try {
- br.close();
- } catch (Exception e) {
- e.printStackTrace();
- }
- }
- }
- return null;
- }
- }
六、實(shí)驗(yàn)測(cè)試
很簡(jiǎn)單二十多行代碼就完成了，看看效果怎么樣吧。
測(cè)試一圖片：
測(cè)試一結(jié)果：
測(cè)試二圖片：
測(cè)試二結(jié)果：
perfect，識(shí)別的很準(zhǔn)確，第二個(gè)測(cè)試全部是英文字符的時(shí)候我們采用了中文訓(xùn)練的數(shù)據(jù)集，雖然也很好的識(shí)別了，但是速度會(huì)慢很多。
七、總結(jié)
圖片識(shí)別在當(dāng)今網(wǎng)絡(luò)技術(shù)領(lǐng)域是非常熱門的一塊，而這次完成的這個(gè)程序完全是依賴別人開源框架來完成了這個(gè)技術(shù)實(shí)現(xiàn)，在應(yīng)用層面這是成功的，但是本質(zhì)上并沒有實(shí)際算法，技術(shù)核心上的東西，如果只關(guān)心應(yīng)用層開發(fā)上述解決了我們計(jì)算機(jī)在規(guī)則字符識(shí)別上的問題。
上述代碼中基本沒有難點(diǎn)，直接復(fù)制即可使用。此外，tesseract作為一款優(yōu)秀的開源字符識(shí)別軟件，但它也不是萬(wàn)能的，tesseract只能識(shí)別規(guī)則的字符，對(duì)于一些藝術(shù)字，抽象字它是無能為力的。
