ocr智能图文识别 tess4j 图文，验证码识别

最近写爬虫采集数据，遇到网站登录需要验证码校验，想了想有两种解决办法

　　　　　　　　　1，利用htmlunit，将验证码输入到swing中，并弹出一个输入框，手动输入验证码，这种实现方式，如果网站需要登录一次可以使用，如果每个5分钟就让你重新登录，校验验证码，那这法指定很麻烦，我总不能一直在这看着，每五分钟手动输入一次吧

　　　　　　　　　2，为了避免上一个法子的弊端，就想到有没有可以自动识别验证码，让程序自己验证而不需要人工手动输入，然后从网上找到了解决方案，ocr  -  tesseract，但是网上的博客什么的都是一样的，把别人的博客copy过来，也不管代码到底能不能正常运行，因此写了这篇文章，希望可以帮助正卡在tesseract这的盆友（说的大义凛然）

 

对tess4j的使用总结

1，tess4j 封装了 tesseract-ocr 的操作

　　　　　　可以用很简洁的几行代码就实现原本tesseract-ocr 复杂的实现逻辑

　　　　　　如果你也想了解tesseract-ocr是怎么实现验证码识别的请移步我的另一篇文章

2，网上有很多说发布jar或war包之后需要自己加载dll，这是错误的

　　不需要再自己加载dll，tess4j已经自己封装了加载dll的操作

 

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

 

4，如果抛Invalid memory access 无效的内存访问异常，导致这个异常的原因是tessdata语言包的位置没有找到

 

5，下面就是我使用tess4j的一个使用demo

 

目录结构

 tessdata 语言包放在了和src同级的目录

 

 maven 依赖

 <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，测试代码

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 {  
                //读取一个文件夹下的所有图片并验证
                /*    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"); //加载语言包
                 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){
         
            // 读取图片字节数组
             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()));  //对图片进行处理
                 textImage = ImageHelper.getScaledInstance(image, image.getWidth() * 5, image.getHeight() * 5);  //将图片扩大5倍

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

 

如果是web项目，需要指定  instance.setDatapath("E:\\ocr\\tesseract");  //tessdata 的目录为E:\\ocr\tesseract\tessdata,如果不指定也会抛Invalid memory access 异常