小小的整理一下OCR的实现

admin 发布于：2017-03-31 22:49:58

阅读：loading

OCR以前偶尔看到过，从来没想过项目中会用得到这东西，感觉很高大上的样子。最近有一个需求是从一个PDF文件中读取数据，而PDF文件的内容为图片（相当于文件中没有文本，无法用鼠标选中复制），并且给了一个OCR的商业实现方案“泰比”，下载了它的应用软件试用了一下确实很强大，但是它的SDK需要线上申请，由他们销售联系注册申请试用，最后一步给了一个英文的网页让去填写什么什么的（没仔细看，你懂得）。由于是分析实现可行性，所以也查阅着一些开源组件的实现方案，感觉合适的大致上有两种：一、使用tesseract-ocr组件；二：使用tess4j实现；

对于这种高大上东西的如何实现不是我考虑的，对于我这种小渣渣选手来说，找到一个最合适的组件来满足需要就已经是最好的了。所以我重点关注方案的选型、使用角度。

tesseract-ocr是什么大家可以自行寻找理论，如果想在程序中使用，需要安装tesseract-ocr-setup-3.02.02.exe（在github上有它的源码），在代码中使用Runtime去调用exe实现，如果能有别的方案，直接调用exe的方式还是抛弃了吧。

Tess4j实际上就是对于tesseract的一个包装，使得我们抛弃直接cmd的方式，转而使用调用函数的方式，至于解析的结果想必是一样的。

今天从github上下载了一份儿最新的Tess4j源码，试了一下中文解析的例子感觉结果还没有老版本的支持的好，当然大家要相信肯定是我没有用好（还是用的旧版本的dll和文字库，新版的报错），而不是新版本的问题。运行新版本的时候，发现还是有很大调整的，doOCR的API已经换成使用new的方式；相关dll在调用时会将整个包下的文件复制到系统的临时目录下。

1）如果运行报错（找不到dll库、找不到相关引用的库），可以考虑安装一下,Net Framework、vcredist等；

2）如果感觉并没有将dll文件放置到system32、bin等相关目录，那是因为程序中将dll的包路径设置为Path的一部分，所以无需手动放置；

3）运行环境为Win764位+jdk7，如果为32位的需要对应的dll文件；

4）测试了从图片、PDF文件（我实际需要的是PDF）解析，它的API调用均一样，根据文件的后缀名判断，如果后缀为PDF格式，它将每一页的文档转换成一个一个的图片，最后依次解析；

5）一共整理了4个示例，分别为Hello,World、读取PDF文件、读取中文内容、按指定位置（矩形框）读取内容；

6）如果可以的话，在生成PDF的时候，约定让字体正规一点、大小稍大一点、间距稍大一点。。。。。。

hello world.jpg