前言
Tesseract-Ocr是我在編寫爬蟲項目中，用來識別圖片（不是驗證碼）的本地解決方案（因為客戶不想使用API識別，太貴），識別率目前達到了100%，可以說是相當了得，當然了，這取決于使用的traineddata。
簡介
Tesseract最初是在1985年至1994年間在Hewlett-Packard Laboratories Bristol和Greeley Colorado的Hewlett-Packard Co開發的，1996年進行了一些更改，移植到Windows，并且隨著C++在1998年興起。2005年Tesseract由惠普開源，然后從2006年至今，由谷歌繼續開發。
Tesseract-Ocr并不是一個軟件，它是一個軟件包，包含了一個OCR引擎【libtesseract】和一個命令行程序 【tesseract】。Tesseract 4增加了一個基于OCR引擎的新神經網絡（LSTM），該引擎專注于行級識別，但仍然支持Tesseract 3的傳統Tesseract OCR引擎，該引擎通過識別字符模式來工作。
要啟用與Tesseract 3的兼容性，你需要使用Legacy OCR Engine模式（--oem 0）。它還需要支持傳統引擎的traineddata（訓練好的數據文件），這些文件可以從tessdata存儲庫的文件獲取。
Tesseract支持識別unicode（UTF-8），可以“開箱即用”識別100多種語言。
Tesseract支持多種輸出格式：純文本，hOCR（HTML），PDF，TSV。主分支還具有ALTO（XML）輸出的實驗支持。
?????? 具體介紹可以上tesseract-wiki查看。
在Java上使用
創建項目，并引入Jar包
Maven
|
1
2
3
4
5
6
|
<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j --><dependency> <groupId>net.sourceforge.tess4j</groupId> <artifactId>tess4j</artifactId> <version>4.3.1</version></dependency> |
Gradle
|
1
|
compile 'net.sourceforge.tess4j:tess4j:4.3.1' |
導入traineddata
traineddata是使用Tesseract-Ocr訓練好的數據文件，可以直接使用。這些文件你可以去tessdata存儲庫查找，也可以去谷歌搜索，當然了，你也可以自己訓練
