图片文字识别-管理敏感词

目录

什么是OCR

Tess4j案例

图片文字识别-管理敏感词

---

什么是OCR

OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程

方案	说明
百度OCR	收费
Tesseract-OCR	Google维护的开源OCR引擎，支持Java，Python等语言调用
Tess4J	封装了Tesseract-OCR ，支持Java调用

 Tesseract-OCR特点:

• Tesseract支持UTF-8编码格式，并且可以“开箱即用”地识别100多种语言。
• Tesseract支持多种输出格式:纯文本，hOCR (HTML),PDF等
• 官方建议，为了获得更好的OCR结果，最好提供给高质量的图像。
• Tesseract进行识别其他语言的训练。具体的训练方式，请参考官方提供的文档: https://github.com/tesseract-ocr/tessdoc

Tess4j案例

创建项目导入tess4j对应的依赖

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.1.1</version>
</dependency>

导入中文字体库， 把资料中的tessdata文件夹拷贝到自己的工作空间下

 编写测试类进行测试

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

import java.io.File;

public class Application {

    public static void main(String[] args) throws TesseractException {
        //创建Tesseract对象
        ITesseract tesseract = new Tesseract();
        //设置字体库路径
        tesseract.setDatapath("D:\\");
        //设置识别的语言-简体中文
        tesseract.setLanguage("chi_sim");
        //执行ocr识别（识别图片）
        String result = tesseract.doOCR(new File("D:\\123.png"));
        //替换回车和tal键  使结果为一行
        System.out.println("识别的结果为："+result);
    }
}

图片文字识别-管理敏感词