ocr智能圖文識別 tess4j 圖文，驗證碼識別

最近寫爬蟲采集數據，遇到網站登錄需要驗證碼校驗，想了想有兩種解決辦法

　　　　　　　　　1，利用htmlunit，將驗證碼輸入到swing中，並彈出一個輸入框，手動輸入驗證碼，這種實現方式，如果網站需要登錄一次可以使用，如果每個5分鍾就讓你重新登錄，校驗驗證碼，那這法指定很麻煩，我總不能一直在這看着，每五分鍾手動輸入一次吧

　　　　　　　　　2，為了避免上一個法子的弊端，就想到有沒有可以自動識別驗證碼，讓程序自己驗證而不需要人工手動輸入，然后從網上找到了解決方案，ocr  -  tesseract，但是網上的博客什么的都是一樣的，把別人的博客copy過來，也不管代碼到底能不能正常運行，因此寫了這篇文章，希望可以幫助正卡在tesseract這的盆友（說的大義凜然）

 

對tess4j的使用總結

1，tess4j 封裝了 tesseract-ocr 的操作

　　　　　　可以用很簡潔的幾行代碼就實現原本tesseract-ocr 復雜的實現邏輯

　　　　　　如果你也想了解tesseract-ocr是怎么實現驗證碼識別的請移步我的另一篇文章

2，網上有很多說發布jar或war包之后需要自己加載dll，這是錯誤的

　　不需要再自己加載dll，tess4j已經自己封裝了加載dll的操作

 

3，使用tess4j需要先安裝 tesseract-ocr-setup-3.02.02

 

4，如果拋Invalid memory access 無效的內存訪問異常，導致這個異常的原因是tessdata語言包的位置沒有找到

 

5，下面就是我使用tess4j的一個使用demo

 

目錄結構

 tessdata 語言包放在了和src同級的目錄

 

 maven 依賴

 <dependencies>
  
      <dependency>  
        <groupId>net.java.dev.jna</groupId>  
        <artifactId>jna</artifactId>  
        <version>4.2.1</version>  
    </dependency>  
  
      <dependency>  
        <groupId>net.sourceforge.tess4j</groupId>  
        <artifactId>tess4j</artifactId>  
        <version>2.0.1</version>  
        <exclusions>  
            <exclusion>  
                <groupId>com.sun.jna</groupId>  
                <artifactId>jna</artifactId>  
            </exclusion>  
        </exclusions>  
    </dependency>  
  
  </dependencies>

 

3，測試代碼

package com.sinosoft.ocr;

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;

import javax.imageio.ImageIO;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import net.sourceforge.tess4j.util.ImageHelper;

public class OcrTest {

     public static void main(String[] args) {  
            File imageFile = new File("E:\\valimg\\fx\\fx.tif");  
            ITesseract instance = new Tesseract();  // JNA Interface Mapping  
            
            try {  
                //讀取一個文件夾下的所有圖片並驗證
                /*    String[] filelist = imageFile.list();
                for (int i = 0; i < filelist.length; i++) {
                        File readfile = new File("E:\\valimg" + "\\" + filelist[i]);
                        if (!readfile.isDirectory()) {
                                System.out.println("path=" + readfile.getPath());
                                System.out.println("absolutepath="
                                                + readfile.getAbsolutePath());
                                System.out.println("name=" + readfile.getName());

                                String result = instance.doOCR(readfile);
                                //String result = instance.doOCR(change(readfile));
                                System.err.println(readfile.getName() +" result："+  result);
                     }
                }*/ 
                 instance.setLanguage("chi_sim"); //加載語言包
                 String result = instance.doOCR(imageFile);
                
                 System.err.println(imageFile.getName() +" result："+  result);
                 
            } catch (TesseractException e) {  
                System.err.println(e.getMessage());  
            }  
     } 
     
     public static BufferedImage change(File file){
         
            // 讀取圖片字節數組
             BufferedImage textImage = null;
            try {
                 InputStream in = new FileInputStream(file);
                 BufferedImage image = ImageIO.read(in);
                 textImage = ImageHelper.convertImageToGrayscale(ImageHelper.getSubImage(image, 0, 0, image.getWidth(), image.getHeight()));  //對圖片進行處理
                 textImage = ImageHelper.getScaledInstance(image, image.getWidth() * 5, image.getHeight() * 5);  //將圖片擴大5倍

            } catch (IOException e) {
                e.printStackTrace();
            }
            
            return textImage;
     }
}

 

如果是web項目，需要指定  instance.setDatapath("E:\\ocr\\tesseract");  //tessdata 的目錄為E:\\ocr\tesseract\tessdata,如果不指定也會拋Invalid memory access 異常