【Selenium-WebDriver实战篇】selenium之使用Tess4J进行验证码图片识别内容

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

==========================================================================================================

写在前面：

这两天比较头疼这个验证码识别功能，本来查看相关的资料时候，tesseract已经能够完成基本的识别，识别效果差，加上还有其他其他exe，后来

在网上看到Tess4J的文字，然后就想着该用这种依赖jar包融合的方式进行识别，下来列举下自己在OCR识别图片过程中遇到的坑和解决方案。

==========================================================================================================

参考链接地址：https://blog.csdn.net/zai_xia/article/details/80003778

首先，列举下进行OCR识别的步骤。

（1）下载图片或者截图地址到本地。

（2）对图片进行处理（如降噪，灰度等），根据识别图片的特点。

（3）使用Tess4J进行图片处理，获取识别结果，返回识别文本。

今天，着重讲下第三部分，上一篇实战里已经说了，可以使用Tesseract-ocr方式进行识别，但是由于需要下载软件，安装配置等，个人觉得移植性不高，所以使用Tess4J进行处理。

第一步：下载Tess4J的压缩包等。官网：http://tess4j.sourceforge.net/codesample.html

解压，其中的目录结构如下：

需要用到其中圈起来的三个文件夹中的东西。lib文件夹下放的是需要用到的Jar包，tessdata下放的是语言库，默认的有英语库，中文库需要另外下载，下载地址：https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata。

新建一个Java项目，将lib文件夹和tessdata文件夹复制到项目的根目录下，找到dist文件夹下的tess4j.jar(名字可能有版本号)，将该文件也复制到项目根目录下的lib文件夹下。

项目的的目录如下：

lib中的文件如下（tess4J.jar也在该目录下）：

再在eclipse中打开项目，在项目中导入lib文件夹中所有的jar包（Build path --> configure build path）,导入后的结果如下：

这样前期准备工作就完成了，下面就剩下代码了。Tess4J的代码比较简洁，如下：

Tess4JTest.javapackage ocr;import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import net.sourceforge.tess4j.util.LoadLibs;import java.io.File;
import java.io.IOException;/**
* Tess4J测试类
*/
public class Tess4JTest {public static void main(String[] args){String path = "D://Java//Tess4J"; //我的项目存放路径File file = new File(path + "//photo.jpg");
ITesseract instance = new Tesseract();/**
* 获取项目根路径，例如： D:\IDEAWorkSpace\tess4J
*/
File directory = new File(path);
String courseFile = null;
try {
courseFile = directory.getCanonicalPath();
} catch (IOException e) {
e.printStackTrace();
}//设置训练库的位置
instance.setDatapath(courseFile + "//tessdata");instance.setLanguage("eng");//chi_sim ：简体中文， eng 根据需求选择语言库
String result = null;
try {
long startTime = System.currentTimeMillis();
result = instance.doOCR(file);
long endTime = System.currentTimeMillis();
System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
} catch (TesseractException e) {
e.printStackTrace();
}System.out.println("result: ");
System.out.println(result);
}}

通过以上文字介绍的方式，本地化加入Lib包后，能够成功的识别文本，并输出结果。

但是我想把工程文件放到jenkins上去，所以不想额外依赖lib包，希望能够通过其他的方式比如maven的lib方式，加载相关内容。

也查了网络上相关的资料，不知道能不能成功呢。

相关参考链接：https://kefeng.wang/2017/04/22/tess4j/

第一：在maven添加依赖。

<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>3.5.3</version>
</dependency>

第二，在代码中添加识别文件的代码：

/**
* @Title: executeTess4J
* @Description: 执行图片识别
* @param imgUrl
* @param resUrl
* @return void
*/
public static String executeTess4J(String imgUrl) {
String ocrResult = "";
try { File imgDir = new File(imgUrl);
File tess = LoadLibs.extractTessResources("tessdata");
ITesseract instance = new Tesseract();
instance.setLanguage("eng");
// instance.setLanguage("chi_sim");

// 设置训练库的位置
logger.info("-----TESSDATA_FILE_PATH:" + tess.getParent() + "-----");
instance.setDatapath(tess.getParent());

long startTime = System.currentTimeMillis();
ocrResult = instance.doOCR(imgDir); logger.info("-----识别出的文本内容:" + ocrResult + "-----");
long endTime = System.currentTimeMillis();
logger.info("Time is：" + (endTime - startTime) + " 毫秒");
} catch (TesseractException e) {
e.printStackTrace();
}
return ocrResult;
}

然后浪费我时间比较多的是，在执行

ocrResult = instance.doOCR(imgDir);的时候，总是会报错，报错内容如下：

报错如下：
Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
Failed loading language ‘eng‘
Tesseract couldn‘t load any languages!
Could not initialize tesseract.

然后查找该问题的解决方案中，发现可以设置环境变量

TESSDATA_PREFIX
来解决，可是搞了半天没搞成功。
最后发现ITesseract类中，有个

instance.setDatapath(tess.getParent());
的方法，个人觉得比较实用，就是自己设置tessdata路径，然后让程序读取该路径下的信息。。入了一个坑就是，使用maven下载的是4.1.1最新的版本，然后调试程序中发现始终打不开eng包，然后定位到相关目录下才发现，可能下载的maven包本身有问题，
然后在使用手动加入lib解决后，现在使用3.5.3版本完毕解决该问题。但是个人感觉，在OCR过程中还是踩过很多坑，总结下来帮助自己回忆一些问题。
目前的方案虽然不是最完美的，但是能解决问题，一步一步来。