1.1 介紹
開發具有一定價值的符號是人類特有的特征。對於人們來說識別這些符號和理解圖片上的文字是非常正常的事情。與計算機那樣去抓取文字不同，我們完全是基於視覺的本能去閱讀它們。
另一方面，計算機的工作需要具體的和有組織的內容。它們需要數字化的表示，而不是圖形化的。
有時候，這是不可能的。有時，我們希望自動化的完成用雙手從圖像重寫文本的任務。
針對這些任務，光學字符識別（OCR）被設計成一種允許計算機以文本形式“閱讀”圖形化內容的方法，和人類工作的方式相似。雖然這些系統相對准確，但仍然可能有相當大的偏差。即便如此，修復系統的錯誤結果也遠比手工從頭開始要更加容易和快速。
就像所有的系統一樣，本質上是相似的，光學字符識別軟件在准備好的數據集上進行訓練，這些數據集提供了足夠多的數據用來幫助學習字符間的差異。如果我們想讓結果更加准確，那么這些軟件如何學習也是非常重要的話題，不過這將是另外一篇文章的內容了。
與其重新造輪或者想出一個非常復雜（但有用）的解決方案，不如我們先坐下來看看已有的解決方案。
1.2 Tesseract
科技巨頭 Google 一直在開發一個 OCR 引擎 Tesseract ，它從最初誕生到現在已有數十年的歷史。它為許多語言提供了API，不過我們將專注於 Tesseract 的 Java API 。
很容易使用 Tesseract 來實現一個簡單的功能。它主要用於讀取計算機在黑白圖片上生成的文字，並且結果的准確度較好。但這不是針對真實世界的文本。
對於現實世界中，我們最好使用像谷歌 Vision 這樣的更高級的光學字符識別軟件，這將在另一篇文章中討論。
1.2.1 Maven依賴
我們只需要簡單的添加一個依賴，就可以將引擎引入到我們的項目：
<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>3.2.1</version>
</dependency>
1.2.2 光學字符識別
使用 Tesseract 毫不費力：
Tesseract tesseract = new Tesseract();
tesseract.setDatapath("E://DataScience//tessdata");
System.out.println(tesseract.doOCR(new File("...")));
我們先實例化一個 Tesseract 實例，然后為已訓練好的 LSTM （長短期記憶網絡）模型設置數據路徑。
數據可以從官方GitHub帳號處下載。
然后我們調用 doOCR() 方法，該方法接受一個文件參數並且返回一個字符串——提取的內容。
讓我們給它提供一張有着大而清晰的黑色字符的白色背景圖片：
提供這樣一張圖片會獲得完美的結果：
Optical Character Recognition in Java is made easy with the help of Tesseract'
不過這張圖片掃描起來過於簡單了。它已經被歸一化，而且有高分辨率和一致的字體。
讓我們來試試在紙上手寫一些字符並將該圖片提供給應用程序，這將會發生些什么呢：
我們可以立即看到結果的改變：
A411“, written texz: is different {mm compatar generated but
有一些單詞十分准確，並且你可以很輕松的辨認出 “written text is different from computer generated” ，但是第一個和最后一個單詞差得有點多。
現在，為了讓程序使用起來更簡單，我們把它轉換成一個十分簡單的 Spring Boot 應用程序，用更加舒適的圖形化界面來展示結果。
1.3 實現
1.3.1 Spring Boot應用程序
首先，從使用Spring Initializr創建我們的項目開始。它包含spring-boot-starter-web和spring-boot-starter-thymeleaf依賴。然后我們手動導入Tesseract：
1.3.2 控制器
該應用程序只需要一個控制器，它將為我們提供兩個頁面的展示、處理圖片上傳和光學字符識別功能：
@Controller
public class FileUploadController {
@RequestMapping("/")
public String index() {
return "upload";
}
@RequestMapping(value = "/upload", method = RequestMethod.POST)
public RedirectView singleFileUpload(@RequestParam("file") MultipartFile file,
RedirectAttributes redirectAttributes, Model model) throws IOException, TesseractException {
byte[] bytes = file.getBytes();
Path path = Paths.get("E://simpleocr//src//main//resources//static//" + file.getOriginalFilename());
Files.write(path, bytes);
File convFile = convert(file);
Tesseract tesseract = new Tesseract();
tesseract.setDatapath("E://DataScience//tessdata");
String text = tesseract.doOCR(convFile);
redirectAttributes.addFlashAttribute("file", file);
redirectAttributes.addFlashAttribute("text", text);
return new RedirectView("result");
}
@RequestMapping("/result")
public String result() {
return "result";
}
public static File convert(MultipartFile file) throws IOException {
File convFile = new File(file.getOriginalFilename());
convFile.createNewFile();
FileOutputStream fos = new FileOutputStream(convFile);
fos.write(file.getBytes());
fos.close();
return convFile;
}
}
Tesseract 可以和Java的 File 類一起工作，但是不支持表單上傳的 MultipartFile 類。為了便於處理，我們添加了一個簡單的 convert() 方法，它將 MultipartFile 對象轉換成一個普通的 File 對象。
一旦我們利用 Tesseract 提取出了文本，我們只需將該文本和掃描的圖像一起添加到模型當中，然后附加到重定向的展示頁面 - result。
1.3.3 展示頁面
現在，讓我們定義一個包含簡單文件上傳表單的展示頁面：
<html>
<body>
<h1>Upload a file for OCR:</h1>
<form method="POST" action="/upload" enctype="multipart/form-data">
<input type="file" name="file" /><br/><br/>
<input type="submit" value="Submit" />
</form>
</body>
</html>
以及一個結果頁面：
<html xmlns:th="http://www.thymeleaf.org">
<body>
<h1>Extracted Content:</h1>
<h2>><span th:text="${text}"></span></h2>
<p>From the image:</p>
<img th:src="'/' + ${file.getOriginalFilename()}"/>
</body>
</html>
運行這個應用程序將會有一個簡單的交互界面迎接我們：
添加一個圖片並提交它，屏幕上的結果將會包含提取的文本和上傳的圖片：
成功了！
1.4 結論
利用谷歌的 Tesseract 引擎，我們搭建了一個十分簡單的應用，它接受從表單提交來的圖片，從中提取文本內容，最后將結果和圖片一起返回給我們。
由於我們只使用了 Tesseract 有限的功能，所以這不是一個特別有用的應用程序。而且該應用程序對於演示目的之外的任何其他用途都過於簡單，但是它可以作為一個有趣的工具來實現和測試。
當你想把內容數字化時，光學字符識別可以很快上手，特別是針對文檔。他們很容易被掃描，並且提取的內容准確度也較好。當然，為了避免潛在的錯誤，對結果文檔進行校對總是明智的。
8月福利准時來襲，關注公眾號
后台回復：003即可領取7月翻譯集錦哦~
往期福利回復：001，002即可領取！
