几行Java代码弄完图片提取文字功能

近日浏览网上一些图片提取文字的网站，觉得甚是有趣，花费半日也做了个在线图片识别程序，完成了两个技术方案的选择，一是 tesseract + Python flask的方案实现，二是 tesseract + Spring web 的技术解决方案，并简作论述，与君共勉。
 
一、tesseract-ocr介绍
ocr 含义是Optical Character Recognition，含义即视觉字符识别。而tesseract是该领域特别优秀开源的作品。
 
官方的tesseract定义：
 
OCR engine - libtesseract and a command line program - tesseract.
 
即tesseract包括一个视觉字符识别引擎libtesseract和命令行程序tesseract。
 
当前最新稳定版本是4.x.x基于LSTM，源码可从找到tesseract的GitHub: tesseract.找到。
 
 
 
关于tesseract的工作模式如上图所示。假设现在有一个图片输入，整个执行流程为：
 
 输入（一张图片）
 有用信息提取（比如一个图片上只有一个字，那其他留白的是无用，这个字上每个色素是有效的并且相关）
 找出文字/线条
 字符分类集
 输入与分类集对比找出最接近的
 输出识别结果
二、安装tesseract
第一步下载
下载合适的exe安装文件：
 
网址：https://digi.bib.uni-mannheim.de/tesseract/，下载完成后后装即可
 
 
 
第二步环境变量配置
在path变量中加入tesseract-ocr的安装路径
 
 
 
第三步安装成功检测
使用tesseract指令，显示如下：
 
 
 
Linux环境下载安装与上述类似
 
 
 
下载leptonica 和 tesseract两个包，解压安装，配置环境变量即可。网上很容易找到该安装包。
 
三、使用命令行
1.tesseract + 图片路径 + 保存结果名 + -l 语言集
 
示列: tesseract 1606150081.png 1606150081 -l chi_sim
 
2.tesseract + 图片路径 +stdout -l +语言集
 
示列: tesseract D:\company\ruigushop\spring-2s\test.png stdout -l chi_sim
 
有了上述之后就可以完成web图片识别程序的开发啦，废话不多说，直接上代码。
 
四、程序实现(Python)
程序设计思路:
 
上传图片 -> 保存 ->对上传的图片执行tesseract指令->获取识别结果
 
只有二十多行代码就实现了，so easy，以后网上看到图片识别程序再也不会感觉神奇了吧！
 
# coding=utf-8  
from flask import Flask, request  
import os  
import datetime  
import time  
app = Flask(__name__)
def get_time_stamp():  
    times = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')  
    array = time.strptime(times, "%Y-%m-%d %H:%M:%S")  
    time_stamp = int(time.mktime(array))  
    return time_stamp  
@app.route('/image/extract', methods=['POST'])  
def pure_rec():  
    file = request.files.get('file')  
    ts = str(get_time_stamp())  
    up_path = os.path.join(ts + file.filename)  
    file.save(up_path)  
    cmd = "tesseract "+up_path+" " + ts + " -l chi_sim"  
    print(cmd)  
    os.system(cmd)  
    with open(ts+".txt", 'r+', encoding="utf-8") as f:
        result = f.read()  
        return result   
if __name__ == '__main__':  
    app.run(debug=True)