是否有任何 Java OCR 工具将文本图像转换为可编辑的文本文件？

Question

我正在从事一个项目，该项目需要拍摄文本（从任何文本的硬拷贝）并将该文本转换为文本文件。然后我想使用该文本文件来做一些不同的事情，例如提供新闻文章的超链接或允许用户编辑文档。

到目前为止，我尝试过的工具是 sourceforge.net 的 Java OCR，它适用于包中提供的图像。但是当我拍摄自己的文字时，它根本不起作用。我应该实施一些培训过程吗？如果是这样，有人知道如何实施吗？任何帮助都会大有帮助。谢谢！

Answer 1

我有一个 java 应用程序，我最终决定使用 Tesseract OCR，然后使用 Runtime.exec() 调用它。也许不是您需要的答案，但以防万一您没有考虑过。

---

编辑 + 响应评论回复添加的代码

• 在 Windows 安装中，我认为我能够使用安装程序，或解压缩现成的二进制文件。

• 在 Linux 服务器上，我需要自己编译 Tesseract，但如果你习惯了这种东西（gcc），这并不难；唯一的问题是对 Leptonica 的依赖也需要编译。

  // Tesseract can only handle .tif format, so we have to convert it
  ImageIO.write( ImageIO.read( new java.io.File(file.getPath())), "tif", tmpFile[0]);
  
  String[] tesseractCmd = new String[]{"tesseract", tmpFile[0].getAbsolutePath(), StringUtils.removeEnd(tmpFile[1].getAbsolutePath(), ".txt")};
  final Process process = Runtime.getRuntime().exec(tesseractCmd);
  try {
      int exitValue = process.waitFor();
      if(exitValue == 0) {
          final String extractedText = SearchableTextExtractionUtils.extractPlainText(new FileReader(tmpFile[1]));
          return extractedText;
      }
      throw new SearchableTextExtractionException(exitValue, Arrays.toString(tesseractCmd));
  } catch (InterruptedException e) {
      throw new SearchableTextExtractionException(e);
  } finally {
      process.destroy();
  }