图片文字-敏感词过滤,以及使用正则表达式 - 实践

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

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://tesseract-ocr.github.io/tessdoc/

使用步骤：

①：创建项目导入tess4j对应的依赖

net.sourceforge.tess4j
tess4j
4.1.1

②：导入中文字体库， 把tessdata文件夹拷贝到自己的工作空间下

③：编写测试类进行测试

package com.heima.tess4j;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import java.io.File;
/**
* @author NoFear
* @version 1.0
* @description: TODO
* @date 2025/8/18 22:34
*/
public class Tess4jApplication {
public static void main(String[] args) throws TesseractException {
//      创建实例
ITesseract tesseract = new Tesseract();
//      设置字体路径
tesseract.setDatapath("C:\\code\\workspace_web");
//       设置语言 --->简体中文，匹配文件前缀，通过修改这里的内容，可以实现语言切换
tesseract.setLanguage("chi_sim");
//      图片的路径
File file = new File("C:\\code\\workspace_web\\158.png");
//        识别图片
String result = tesseract.doOCR(file);
System.out.println("识别内容为 " + result.replaceAll("\\r|\\n", "-"));
}
}

④提取成一个工具类

package com.heima.common.tess4j;
import lombok.Getter;
import lombok.Setter;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.springframework.boot.context.properties.ConfigurationProperties;
import org.springframework.stereotype.Component;
import java.awt.image.BufferedImage;
@Getter
@Setter
@Component
@ConfigurationProperties(prefix = "tess4j")
public class Tess4jClient {
private String dataPath;
private String language;
public String doOCR(BufferedImage image) throws TesseractException {
//创建Tesseract对象
ITesseract tesseract = new Tesseract();
//设置字体库路径
tesseract.setDatapath(dataPath);
//中文识别
tesseract.setLanguage(language);
//执行ocr识别
String result = tesseract.doOCR(image);
//替换回车和tal键  使结果为一行
result = result.replaceAll("\\r|\\n", "-").replaceAll(" ", "");
return result;
}
}

工具类要实现自动⑥装配，要配置

⑥使用

byte数组转bufferedImage，然后使用工具类

for (String image : images) {
byte[] bytes = fileStorageService.downLoadFile(image);
try {
//                byte数组转换成imageContent
ByteArrayInputStream in = new ByteArrayInputStream(bytes);
BufferedImage bufferedImage = ImageIO.read(in);
String imageContent = tess4jClient.doOCR(bufferedImage);
boolean isSensitive = handleSensitiveScan(imageContent, wmNews);
if (!isSensitive)
return isSensitive;
} catch (Exception e) {
e.printStackTrace();
}

⑤在使用到这个工具类的微服务的配置文件中添加配置

tess4j:
dataPath: C:\code\workspace_web   #字体库所在路径
language: chi_sim               #设置语言,即要使用的字体库

这里用到了正则表达式：

String result = text.replace("\r", "-").replace("\n", "-");
//相当于
result.replaceAll("\\r|\\n", "-")

正则表达式（Regular Expression），通常简称为 regex 或 regexp，是一种强大的文本处理工具，用于描述、匹配、查找、替换符合某种规则的字符串模式。

你可以把它理解为：一种“搜索模式语言”，就像在文本中“找东西”的高级说明书。

✅ 正则表达式能做什么？

基本语法（常用符号）

✅ 实际例子

1. 如验证手机号

^1[3-9]\d{9}$

解释：

2. 匹配邮箱

^\w+@\w+\.\w+$

匹配：xxxx@example.com，xxxxxx@abc.cn

3. 匹配日期 YYYY-MM-DD

• ^1：以 1 开头
• [3-9]：第二位是 3~9
• \d{9}：后面跟 9 个数字
• $：结束

^\d{4}-\d{2}-\d{2}$

匹配：2023-12-25，2024-01-01

在编程中怎么用？

Java 示例：

String text = "我的电话是**********，邮箱是 *******@example.com";
// 找手机号
Pattern pattern = Pattern.compile("1[3-9]\\d{9}");
Matcher matcher = pattern.matcher(text);
while (matcher.find()) {
System.out.println("找到手机号：" + matcher.group());
}

⚠️ 注意事项

1. 特殊字符要转义：
   比如 .、*、+、?、$、^ 等在正则中有特殊含义，如果想匹配字面意义，要用 \ 转义：

   • 匹配 .com 要写成 \.，否则 . 会匹配任意字符

2. 贪婪 vs 懒惰：
   * 和 + 默认是“贪婪”的，会尽可能多匹配。可以用 *? 变成“懒惰”模式。

3. 性能问题：
   复杂的正则可能很慢，避免在大文本上使用过于复杂的模式。

✅ 总结

正则表达式 = 一套规则语言，用来描述你想要找的文本模式