【本文編寫於2018年7月5日】
Tess4J是Tesseract的Java JNA wrapper。本文介紹了在CentOS 7 操作系統中使用Tess4J的步驟及注意事項。在正式開始之前，先花一點篇幅，對相關的技術作一簡要介紹。
一點點背景
Tesseract
Tesseract 是一個著名的開源OCR引擎，支持100多種語言，可以開箱即用。還可以通過訓練方式支持更多語言。Tesseract誕生於1984年，來自HP公司，2005年開源。自2006年起，由谷歌接手開發。截止目前，最新的穩定版本是2017年6月1日發布的3.05.01。還有一只比較活躍的基於LSTM（長短期記憶網絡，是一種時間遞歸神經網絡）的4.0版本，還在研發中，最新釋放的是2018年6月26日的4.0.0-beta.3。Tesseract由C++開發。
站點：
https://github.com/tesseract-ocr/tesseract
Leptonica
Tesseract作為OCR引擎，避免不了使用圖像處理。Tesseract使用的圖像處理主要由leptonica提供。Leptonica 包含眾多圖像處理和圖像分析相關的功能。
站點：
http://www.leptonica.com/
Java JNA Wrapper
JNA 是 Java Native Access的縮寫，顧名思義，是一個實現Java調用操作系統Native應用的庫。提起Java本地調用，大家自然聯想的JNI，但JNI使用過程十分復雜，會讓人望而生畏。JNA則采取更加自然的方式，為Java應用提供調用本地應用的支持。
站點：
https://github.com/java-native-access/jna
Tess4J
Tess4J通過Java JNA Wrapper，提供了Java的Tesseract API，同時還提供了Windows 32bit和64bit的Tesseract的DLL以及一些樣例圖像。通過Tess4J，可以在Windows下非常便利的通過Java使用Tesseract。對於Linux、MAC等其他操作系統，則需要自行構建Tesseract才可以使用Tess4J。
也就是說，原生的Tess4J並不是跨平台的，僅僅是對Windows開箱即用的。
這也是本文寫作的初衷，記錄在Linux環境中，使用Tess4J的步驟及淌過的坑。
本文使用的技術版本
為什么要單獨強調版本？長期混跡開源坑的同志們一定了解一個事實：大部分的開源項目其質量（功能可用性，文檔正確性、更新及時性）相對一般，在圈子里混，必須具備在眾多繁雜的信息中去偽存真的能力，在社區里大聲疾呼求關注的技巧，極強的動手能力以及百折不撓的精神。。。
對於某些技術問題，谷歌出來的結果中，很大一部分是無效的，會浪費大量的時間，甚至走入歧途。但同眾多作者交流后發現，絕大部分這類情況是有文章介紹方案不完整，或者不夠嚴謹導致的。
因此，我認為，作為分享的每一個實踐，需要具備可重復操作的基本要求。所以，我會盡量精確的重復我實踐過程使用的軟件及環境的版本，希望對大家有所幫助。
Tess4J：4.0.2
Tesseract：4.0.0-beta.1
Leptonica：1.76.0
JDK：1.8 Update 102 64bit
運行環境：CentOS 7 （內核：3.10.0-862.3.3.el7.x86_64）64bit
GCC：4.8.5
Clang：3.4
開發環境：Windows 10 64bit
為何這樣選？
這里的坑是，不能根據自己的喜好，使用新版本。我使用過Tesseract 4.0.0-beta.3，但運行JVM會報出Fatal Error最后自行退出，看報出的錯誤來判斷，大概是Tesseract中某些函數簽名變化，Tess4J中簽名與之不匹配所致。
還記得官方文檔（https://github.com/tesseract-ocr/tesseract/wiki）嗎？
官方Wiki提到，Linux的so庫，可以通過安裝預先編譯的包，如果按照Wiki操作，便會自動安裝最新版本。我也曾經嘗試通過yum列表舊版本安裝，發現即使所謂的舊版本，也會導致Tess4J運行時報錯。（通過yum下載並自動安裝的rpm包如下所示）
這里必須根據Tess4J適配的版本來選擇。
Tess4J的versionchanges.txt中描述了最近幾個版本的變化：
Version 4.0.0 (28 April 2018)
- Upgrade to Tesseract 4.0.0-beta.1 (45bb942)
- Update Lept4J to 1.9.3 (Leptonica 1.75.3)
Version 4.0.1 (2 May 2018)
- Fix a path issue when extracting resources from JAR to temp directory on Windows server
Version 4.0.2 (3 May 2018)
- Replace JNA string constant Platform.RESOURCE_PREFIX
- Update jai-imageio url
- Update Lept4J to 1.9.4
可見，最新版的Tess4J，僅對Tesseract 4.0.0-beta.1進行過適配，因此產生了上面描述的版本組合。鑒於無法確定預先構建的包哪個是從Tesseract 4.0.0-beta.1構建而來，因此只能通過源碼自行構建。
構建Tesseract
1 修改yum的Repo
可能是我所在的環境網絡非常差，yum默認會使用mirror，但絕大部分mirror連接不上，會導致下載過程在大量無效的mirror嘗試中進行，非常浪費時間。
因此，我關閉了yum的fast mirror插件（/etc/yum/pluginconf.d），另外修改了CentOS-Base.repo。
2 安裝必備包
yum -y update yum -y install libstdc++ autoconf automake libtool autoconf-archive pkg-config gcc gcc-c++ make libjpeg-devel libpng-devel libtiff-devel zlib-devel yum group install -y "Development Tools"
注意：autoconf-archive 是官方說明中都沒有提到的必備組件。
3 下載源碼
Leptonica
http://www.leptonica.com/source/leptonica-1.76.0.tar.gz
Tesseract
https://codeload.github.com/tesseract-ocr/tesseract/tar.gz/4.0.0-beta.1
下載完畢效果：
4 安裝Leptonica
tar -zxvf leptonica-1.76.0.tar.gz cd leptonica-1.76.0 ./autobuild ./configure make -j make install
5 安裝Tesseract
tar -zxvf 4.0.0-beta.1.tar.gz cd tesseract-4.0.0-beta.1/ ./autogen.sh PKG_CONFIG_PATH=/usr/local/lib/pkgconfig LIBLEPT_HEADERSDIR=/usr/local/include ./configure --with-extra-includes=/usr/local/include --with-extra-libraries=/usr/local/lib LDFLAGS="-L/usr/local/lib" CFLAGS="-I/usr/local/include" make -j make install ldconfig
6 確認安裝
經過漫長的編譯過程，Tesseract已經安裝完畢。
執行如下指令：
tesseract -v
顯示內容如下：
即為安裝完畢。
獲取so庫
在/usr/local/lib中，可以找到Tess4J需要的依賴庫libtesseract.so。可見libtesseract.so實際指向libtesseract.so.4.0.0。liblept.so是leptonica的庫，Tesseract也需要調用。
為Tess4J設置庫（so）文件位置
Tess4J的JAR包中，包含windows的DLL庫，其位置如下：
在Tess4J運行時，會將操作系統依賴的庫從JAR包中解壓出來使用，對於Linux系統的so文件，也是如此。Tess4J約定的Linux庫文件存儲路徑為classpath根路徑下的linux-x86-64。
既然已經拿到了so文件，顯而易見的有兩種方法：
1 修改tess4j-4.0.2.jar，將so文件按照約定路徑存儲，這樣Tess4J在運行時就會自動解壓使用。
但這種方式修改了Tess4J公開發布的JAR包，日后升級會有麻煩，因此，不建議這樣操作。
2 將linux-x86-64放到Java工程的classpath根目錄。這樣在運行時，Tess4J就可以找到庫了。我的Java工程采用的Gradle構建，因此將這些文件放到了src/main/resources下。
linux-x86-64目錄中包含的文件，是從Linux系統中/usr/local/lib拷貝而來，去掉了一些鏈接文件，具體如下：
至此，已經完成了Tess4J在庫文件方面的准備。
在Tess4J設置Tesseract數據目錄tessdata
Tesseract運行時是需要加載語言的訓練數據的，按照約定，這些訓練數據需要放在tessdata下。但Tess4J 4.0.2對Windows和Linux兩類操作系統目錄處理方式是不一致的。
初始化Tesseract的代碼，setDatapath就是用來設置tessdata目錄的。
ITesseract instance = new Tesseract();
//設置tessdata目錄
instance.setDatapath("/path/to/tessdata");
Tesseract的訓練數據以“語言名.traineddata”命名。
經過實測，在Windows中，需要直接指定到.traineddata所在目錄，在Linux中，則需要指定到一個目錄，其中包含一個叫做tessdata的文件夾，tessdata內部是.traineddata文件。
舉例說明：
在Windows中，instance.setDatapath("lngData/tessdata");
在Linux中，instance.setDatapath("lngData");
顯然這是一個BUG，不過開源項目有BUG已經是家常便飯了。
為此，我在實踐時根據操作系統做了一個小小的適配。
ITesseract instance = new Tesseract();
File tessTrainedDataLoc = null;
if(SystemDetector.isWindows())
{
//Windows Data目錄直接指定到*.traineddata所在目錄
tessTrainedDataLoc = new File(System.getProperty("user.dir"),"lngData\\tessdata");
}
else
{
// 在Linux（如CentOS 7）中，Data目錄指定到tessdata上一級
tessTrainedDataLoc = new File(System.getProperty("user.dir"),"lngData");
}
instance.setDatapath(tessTrainedDataLoc.getAbsolutePath());
以上用到的SystemDetector代碼：
import java.util.Properties;
public class SystemDetector {
private static boolean isWindows = false;
private static boolean isLinux = false;
static {
Properties props = System.getProperties();
String systemName = props.getProperty("os.name");
if (systemName.toLowerCase().indexOf("windows") != -1) {
isWindows = true;
}
if (systemName.toLowerCase().indexOf("linux") != -1) {
isLinux = true;
}
}
public static boolean isWindows()
{
return isWindows;
}
public static boolean isLinux()
{
return isLinux;
}
}
至此，全部完成。在Windows上開發的項目使用Tess4J，已經可以在Linux中正常運行。
關於Tesseract的訓練數據
Tesseract最大優勢就是可以開箱即用，擁有大量語言的訓練數據，實際使用時，可以根據需要進行OCR識別的內容類型添加。
但是不要貪多，識別范圍越廣，速度也就越慢，甚至還會影響精確度。建議在使用時盡量指定要識別內容的語言，類型，以便在准確度及效率之間取一個恰當的平衡。
Tesseract訓練數據可以從下面獲取：
https://github.com/tesseract-ocr/tessdata
Tesseract 4使用了LSTM，因此還有一個叫做tessdata_best的Repo，其內容是使用LSTM模型訓練的各種語言識別率最高的訓練數據。（推薦使用）
https://github.com/tesseract-ocr/tessdata_best
如果對Tesseract效果不滿意，還可以自行准備數據進行訓練。Tesseract所有項目均在Github上，鏈接地址為：
https://github.com/tesseract-ocr
【全文完】
歡迎轉載，請注明出處。