Tess4j+SpringBoot本地OCR识别实战：从选型到性能调优

如果你在2024年还在为“识别图片里的文字”这事纠结要不要上大模型API，那我建议你先停下来，把Tess4j这套本地方案看完再决定。它不是银弹，但在“预算有限、数据不出内网、Java技术栈、要能快速集成”这四个条件同时成立的时候，它就是你最该优先考虑的选择。

一句话说清楚这是个什么东西：Tess4j是Tesseract OCR引擎的Java JNI封装，把C++写的识别引擎包装成Java能直接调的库，配合SpringBoot做接口服务，整个链路下来不需要额外部署独立服务、不用申请云厂商的账号、代码量也不算大，属于“小成本办大事”的典型方案。这篇文章我会从选型思路、环境准备、核心代码、识别优化到问题排查，把整个落地的过程完整拆开，代码你可以直接抄，坑我也提前帮你标好了。

1. 方案选型：为什么在“大模型OCR遍地走”的时候还用Tess4j

先说结论：Tess4j不是用来取代大模型OCR的，它是用来填补“OCR刚需但预算和数据合规不允许”那个空档的。理解了这个定位，你才不会在集成之后觉得“效果不如大模型”而失望。

1.1 与云OCR、大模型API的优劣对比

我们团队在同时期做过三个方案的横向对比，我把它整理成一张表，你可以先看个全貌：

那一次我们的业务场景是做一个内部工单系统，需要批量识别合同扫描件里的编号和日期。合同量一个月大概20万张，如果走云厂商API，不算开发成本，光调用费一个月就得两三千；更麻烦的是合同内容涉及客户经营数据，合规那边直接拍板不许出内网。Tess4j的特征几乎是卡着这个需求点长出来的——本地跑、便宜、Java生态成熟。

1.2 什么场景适合用Tess4j，什么场景请果断放弃

适合用Tess4j的场景有这么几类：一是扫描件质量还算清晰的印刷体文档，比如A4纸打印文件、书籍扫描页、带标准字体的截图；二是对识别结果的“原始文本”要求高、对“结构化字段抽取”要求低的场景；三是数据必须留在本地的场景，比如运营商、金融、政务项目动不动就要求“私有化部署”，这时Tess4j几乎是唯一拿得出手的Java原生方案。

反过来，它也有非常明确的短板，你要提前想清楚。第一，手写体识别效果很一般，歪歪扭扭的字基本只能靠“字库训练”来救，而训练Tesseract的成本并不低；第二，复杂版面（表格、多栏、图文混排）处理能力弱，它擅长的是“整块文字块识别”而不是“理解版面”，你要拿它识别发票里某一栏的金额，得自己做坐标裁剪；第三，对低分辨率、强噪点、大角度倾斜的图片，原生识别率会掉得很难看，需要配合OpenCV或Java图像库做预处理。

如果你是以下需求，建议直接放弃Tess4j改走其他路线：需要把手写体转成可编辑文档的；需要从各类票据、证照里抽取飞飞字段并直接入库的；图片质量不可控且有大量低清手机拍摄图的。这一条我踩过坑，一开始以为Tess4j是万能的，后来发现“场景不匹配”远比“工具不好用”更致命。

2. 环境准备与依赖集成：把SpringBoot项目先喂饱

方案定下来之后就可以动手了。这一节我会带你把项目环境搭起来，包括JDK配置、Maven依赖引入、语言包下载与放位，这是后面所有代码能跑起来的地基。

2.1 版本选择逻辑：JDK、SpringBoot与Tess4j的兼容性

先讲版本匹配，这个不搞清楚很容易在运行期才报一些莫名其妙的问题。Tess4j 5.x系列是目前的主流版本，它要求JDK 8以上，如果你用的是SpringBoot 2.7.x，直接用最新版5.14.0没有任何问题；如果你已经上了SpringBoot 3.x（要求JDK 17），Tess4j 5.13.0及以上版本也支持，我实测过5.14.0在JDK 17下运行稳定。

我个人的建议是：对于新项目，直接选SpringBoot 2.7.18 + JDK 8 + Tess4j 5.14.0，这套组合的社区资料最多、踩坑经验最容易搜到。如果你确实要用JDK 17，也请至少把SpringBoot升级到2.7.14以上，避免老版本跟新JDK的字节码兼容问题。

xml复制<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>5.14.0</version>
</dependency>

这个依赖会连带拉进来一些底层库，包括JNA（Java Native Access，用来加载Tesseract的本地动态库）、SLF4J（日志门面）等，不需要额外处理。

2.2 语言包（tessdata）下载与路径配置

Tesseract是一个多语言识别引擎，每种语言的识别数据单独存放在一个训练好的“.traineddata”文件里。你要识别中文就必须有chi_sim.traineddata，识别英文必须有eng.traineddata。

语言包的下载路径是GitHub上的tesseract-ocr/tessdata仓库，注意别下错了：专门用于tessdata_best（识别精度更高但速度慢）和tessdata_fast（速度快但精度低）是不同分支，初学者直接下载主仓库的标准版就好。文件不大，中文简体大约40MB左右。

下载之后，你需要在classpath下建一个tessdata目录，把语言包放进去。最终的项目结构如下：

code复制src/main/resources/
└── tessdata/
    ├── chi_sim.traineddata
    └── eng.traineddata

在SpringBoot的application.yml里配置一个自定义的语言包路径，方便日后调整：

yaml复制ocr:
  tessdata-path: classpath:tessdata
  language: chi_sim+eng

注意：语言包路径支持classpath:前缀，也支持文件系统的绝对路径，比如/opt/tessdata。生产环境我建议把语言包放到外部目录（如/opt/tessdata），不要打进jar包里，因为jar内的资源在运行时难以动态替换，别人不需要重新发版才能升级语言包。

3. 核心代码实现：从Tesseract实例到SpringBoot接口

3.1 配置类：别再每个方法new一个Tesseract对象了

很多入门的博客会教你直接在Controller里new Tesseract()，然后调doOCR就完事儿。这个写法能跑，但有两个隐患：一是Tesseract实例创建是有开销的，每个请求都创建销毁对性能不友好；二是可配置项被分散在调用处，后期想换语言包路径、调整识别参数，得满项目找。更好的做法是注册成Spring单例Bean，集中管理配置。

java复制@Configuration
public class Tess4jConfig {

    @Value("${ocr.tessdata-path}")
    private String tessdataPath;

    @Value("${ocr.language}")
    private String language;

    @Bean
    public Tesseract tesseract() {
        Tesseract tesseract = new Tesseract();
        // 关键：设置语言包路径，这里的路径格式是文件系统的绝对路径或classpath均可
        tesseract.setDatapath(resolveTessdataPath());
        // 设置识别语言，多个语言用“+”拼接
        tesseract.setLanguage(language);
        return tesseract;
    }

    private String resolveTessdataPath() {
        if (tessdataPath.startsWith("classpath:")) {
            String path = tessdataPath.substring("classpath:".length());
            try {
                // 从classpath中解析出真实文件系统路径，Tesseract不认jar内的虚拟路径
                return new ClassPathResource(path).getFile().getAbsolutePath();
            } catch (IOException e) {
                throw new RuntimeException("无法解析tessdata路径", e);
            }
        }
        return tessdataPath;
    }
}

这里有一个非常关键的坑：Tesseract#setDatapath接收的是文件系统路径，如果你直接传classpath:tessdata这种Spring风格路径，运行时会报“找不到语言包”的错。上面用ClassPathResource把classpath里的文件转成真实路径的写法，是实际生产中验证过的解决方案。如果语言包在jar包里还没法解压出来，你就把语言包放到服务器外部目录，路径直接写成/opt/tessdata最省事。

3.2 服务封装：识别、坐标、多语言一次讲清

接下来封装一个OcrService，对外提供能力。这里不仅仅是把doOCR方法包一层，而是要提供多种级别的接口：简单的文本识别、带坐标的识别（方便你做区域裁剪）、还有自定义图片处理的入口，为后面的优化留好扩展点。

java复制@Service
public class OcrService {

    private final Tesseract tesseract;

    public OcrService(Tesseract tesseract) {
        this.tesseract = tesseract;
    }

    /**
     * 识别图片中的全部文字
     */
    public String recognizeText(File imageFile) throws TesseractException {
        return tesseract.doOCR(imageFile);
    }

    /**
     * 识别图片中的全部文字（支持BufferedImage）
     */
    public String recognizeText(BufferedImage image) throws TesseractException {
        return tesseract.doOCR(image);
    }

    /**
     * 识别指定区域的文字
     *
     * @param image 原图
     * @param x 区域左上角x坐标
     * @param y 区域左上角y坐标
     * @param width 区域宽度
     * @param height 区域高度
     */
    public String recognizeRegion(BufferedImage image, int x, int y, int width, int height) throws TesseractException {
        // 裁剪子图
        BufferedImage subImage = image.getSubimage(x, y, width, height);
        return tesseract.doOCR(subImage);
    }

    /**
     * 识别并返回每个文本框的坐标
     */
    public List<WordResult> recognizeWithWords(BufferedImage image) throws TesseractException {
        // doOCR会在内部完成识别，并通过返回的List<Word>给出每个词的边界
        List<Word> words = tesseract.getWords(image, ITessAPI.TessPageIteratorLevel.RIL_WORD);
        return words.stream()
                .map(word -> new WordResult(word.getText(), word.getBoundingBox().x, word.getBoundingBox().y,
                        word.getBoundingBox().width, word.getBoundingBox().height, word.getConfidence()))
                .collect(Collectors.toList());
    }
}

注意到recognizeWithWords用了tesseract.getWords()，如果你只是拼装结果，doOCR就够了，但如果你需要按区域提取特定字段，getWords()返回的坐标就是你的“眼睛”。比如合同编号通常在右上角，你先定位区域再识别，精准度会高很多。ITessAPI.TessPageIteratorLevel.RIL_WORD表示以“单词”为粒度返回坐标，还有RIL_TEXTLINE、RIL_PARA等粒度，按需选择。

3.3 Controller与文件上传处理：半小时出一个可用的接口

有前面的Service铺垫，Controller就非常简单了。需要注意两点：文件上传的临时存储位置，以及识别完成后及时清理临时文件，避免磁盘被占满。

java复制@RestController
@RequestMapping("/api/ocr")
public class OcrController {

    private final OcrService ocrService;

    public OcrController(OcrService ocrService) {
        this.ocrService = ocrService;
    }

    @PostMapping("/recognize")
    public Result<String> recognize(@RequestParam("file") MultipartFile file) throws IOException {
        if (file.isEmpty()) {
            return Result.error("文件不能为空");
        }
        // 限制文件大小，比如10MB（这里只是示例，线上建议用Spring的配置限制）
        if (file.getSize() > 10 * 1024 * 1024) {
            return Result.error("文件大小不能超过10MB");
        }
        // 校验文件类型，支持png/jpg/jpeg/bmp
        String contentType = file.getContentType();
        if (contentType == null || !contentType.startsWith("image/")) {
            return Result.error("仅支持图片格式");
        }

        // 保存到临时文件，识别后删除
        File tempFile = File.createTempFile("ocr_", "." + getExtension(file.getOriginalFilename()));
        file.transferTo(tempFile);
        try {
            String text = ocrService.recognizeText(tempFile);
            return Result.success(text);
        } catch (TesseractException e) {
            log.error("OCR识别失败", e);
            return Result.error("识别失败：" + e.getMessage());
        } finally {
            // 无论成功与否，都清理临时文件
            if (tempFile.exists()) {
                tempFile.delete();
            }
        }
    }

    private String getExtension(String filename) {
        if (filename == null || !filename.contains(".")) {
            return "png";
        }
        return filename.substring(filename.lastIndexOf(".") + 1);
    }
}

这里用了File.createTempFile写到系统的临时目录。如果你在一个高并发上传场景，建议为OCR单独建一个目录，并且定时清理超过一定时间的文件；否则系统临时目录会积累很多残留。

4. 识别效果调优：同样的图片，怎样从“能识别”到“识别得准”

Tesseract本身是个“半成品”，直接拿去生产通常得配合预处理才能达到不错的效果。识别调优这件事，我把它分成三个层次：图片预处理、引擎参数调节、业务策略兜底。下面一个一个讲。

4.1 图片预处理：灰度化、二值化和缩放一个都不能少

Tesseract对输入图片的“干净程度”非常敏感。一张手机拍的照片，背景有阴影、字偏小、角度略歪，直接丢进去识别率80%都到不了；但同样一张图，做几步预处理之后，识别率可能回到95%以上。

预处理我用的工具是Java标准库的BufferedImage配合java.awt的图形接口，不需要额外引入OpenCV这种重型依赖（当然，如果项目已经有OpenCV，用它的Imgproc效果更好）。

第一步是灰度化。因为OCR引擎本质上是识别“黑色像素分布在白色背景上的特定形状”，彩色信息不仅没用，反而会引入噪声：

java复制public static BufferedImage toGray(BufferedImage src) {
    BufferedImage gray = new BufferedImage(src.getWidth(), src.getHeight(), BufferedImage.TYPE_BYTE_GRAY);
    Graphics2D g = gray.createGraphics();
    g.drawImage(src, 0, 0, null);
    g.dispose();
    return gray;
}

第二步是二值化，也就是把灰度图转成纯黑白的图。Tesseract内部自己也会做这个操作，但我们手动做一遍，可以控制阈值，避免引擎默认阈值在某些光照不均的图片上失效。固定阈值（比如128）在光线均匀的扫描件上就够用，但如果图片有阴影，就得用自适应阈值。自适应阈值本身的实现稍微复杂，我在实践中用过一个简化版：把图片分块，每个块算平均亮度作为局部阈值。

第三步是缩放。Tesseract对字体高度的最佳识别范围在20~60像素之间。如果图片上的中文字号特别小（比如一张截图里的注释文字），识别不出来是正常的。解决办法是放大：计算当前字符高度，如果过低就按比例放大图片。

java复制public static BufferedImage scale(BufferedImage src, float factor) {
    int newWidth = Math.round(src.getWidth() * factor);
    int newHeight = Math.round(src.getHeight() * factor);
    BufferedImage scaled = new BufferedImage(newWidth, newHeight, src.getType());
    Graphics2D g = scaled.createGraphics();
    g.setRenderingHint(RenderingHints.KEY_INTERPOLATION, RenderingHints.VALUE_INTERPOLATION_BICUBIC);
    g.drawImage(src, 0, 0, newWidth, newHeight, null);
    g.dispose();
    return scaled;
}

提示：缩放因子并不是越大越好。我实测过，中文字体放大到原图的2~3倍识别率显著提升，但继续放大到5倍，识别率提高不明显反而耗时翻倍，因为像素多了计算量暴涨。建议以“字符高度30~50像素”为基准去算缩放比例。

4.2 引擎参数调节：掌握setPageSegMode与setOcrEngineMode才是老手

预处理解决的是输入问题，引擎参数解决的是“怎么识别”的问题。Tess4j通过Tesseract#setPageSegMode和Tesseract#setOcrEngineMode来控制识别策略，这两个参数调好，效果立竿见影。

PageSegMode（页面分割模式）决定引擎怎么把图片划分成文字块。最常用的几个：

我的实践经验：如果你识别的是截图里的整段文字，用PSM_SINGLE_BLOCK比用PSM_AUTO识别率高很多，因为AUTO在尝试做复杂版面分析，反而容易把结构搞错；如果你是从票据里抠出来的小区域，用PSM_SINGLE_LINE或PSM_SINGLE_WORD能减少跨行噪声干扰。

OcrEngineMode控制识别引擎的类型。OEM_TESSERACT_ONLY只用传统Tesseract引擎，OEM_LSTM_ONLY只用LSTM神经网络引擎。新版Tesseract默认推荐OEM_LSTM_ONLY，对印刷体中文识别率更高、更稳定。在Tess4j里设置方式为：

java复制tesseract.setPageSegMode(ITessAPI.TessPageSegMode.PSM_SINGLE_BLOCK);
tesseract.setOcrEngineMode(ITessAPI.TessOcrEngineMode.OEM_LSTM_ONLY);

4.3 白名单与黑名单：识别号码和代码时的“SQL WHERE”过滤器

再分享一个很实用但容易被忽略的参数：字符白名单。Tesseract允许你指定“只从这些字符中猜测结果”，这在你识别身份证号、发票代码、车牌号等格式固定的内容时，能把识别率的提升拔高一个量级。

例如，识别发票代码时，字符集就是数字加大写字母，你写死这个范围，引擎就根本不会把“0”猜成“O”或者把“1”猜成“l”。Tess4j里是通过配置变量设置的：

java复制tesseract.setVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ");

对应的黑名单是tessedit_char_blacklist，用法类似。注意这两个变量是互斥的，设置了白名单黑名单就不生效，两者选一个用。我一般习惯优先用白名单，明确范围比排除干扰更可控。

对于中文识别，白名单设置要小心——中文字符集太大，你很难枚举，适合用白名单的还是“英文字母+数字+少量符号”这类有限场景。

5. 实战：一次完整的SpringBoot+Tess4j识别流程跑通

理论讲完了，这里我走一遍完整的流程，从启动项目、上传图片到拿到识别结果，每一步都列出实际表现，方便你对照检查。

5.1 准备测试图片并配置日志级别

我在测试时用的是一张1920x1080的网页截图，上面有标题、段落正文、按钮文字。为了观察识别耗时，我在Service里加上简单的耗时统计：

java复制long start = System.currentTimeMillis();
String result = tesseract.doOCR(image);
long cost = System.currentTimeMillis() - start;
log.info("OCR识别完成，耗时：{}ms，识别结果长度：{}", cost, result.length());

同时在application.yml里把Tess4j的日志级别调成DEBUG，这样能看到引擎内部的运行细节：

yaml复制logging:
  level:
    net.sourceforge.tess4j: DEBUG

5.2 识别效果实测记录

第一轮，不预处理直接识别，耗时约500ms，识别结果里中文段落基本正确，但按钮上的英文字母出现了一个误识别。检查日志发现Tesseract在Preprocessing阶段做了“Thresholding”和“Line removal”等操作，耗时占了几乎一半。

第二轮，我先把图片做了灰度化和二值化，再调用识别，耗时缩减到320ms，原因很简单：Tesseract内部预处理的工作少了，识别速度就上去了。

第三轮，我把页面分割模式从自动调整成PSM_SINGLE_BLOCK，因为截图明显就是一个段落块，识别率和速度又有小幅提升。同时打印返回的坐标信息，能定位到每一行文字的位置，这对后续做点击跳转、关键词定位非常有用。

5.3 识别结果如何接业务：常见后处理套路

识别出文本只是第一步，业务上通常还需要做后处理。我总结了三类最常见的情况，你可以照着套。

一是关键词匹配。工单系统里识别出全文后，需要定位“合同编号：”后面的内容，直接正则匹配：

java复制Pattern pattern = Pattern.compile("合同编号[:：]\\s*([A-Z0-9\\-]+)");
Matcher matcher = pattern.matcher(ocrText);
if (matcher.find()) {
    String contractNo = matcher.group(1);
}

二是结果清洗。OCR识别经常出现全角半角混乱、标点多余、空格错位的情况，一套清洗规则很必要：全角转半角、去除多余空白、去掉不可能出现在业务字段里的字符。

三是置信度过滤。如果只是“全文识别”功能，低置信度的文字可以原样返回；但如果是“字段抽取”功能，就一定要看getWords()返回的confidence值，低于某个阈值（比如60）时，宁可丢弃也不要入库，避免脏数据污染下游。

6. 常见问题与排查技巧实录

6.1 语言包加载失败：找不到chi_sim.traineddata

这是新手遇到最多的问题，报错大概是Cannot find language 'chi_sim'或者Failed loading language 'chi_sim'。排查思路三步走：

• 检查tessdata目录里是不是真的有chi_sim.traineddata这个文件，注意文件名大小写；
• 检查setDatapath设置的路径是否指向了包含tessdata目录的上一层目录。Tesseract对datapath的理解是“tessdata目录的父目录或它本身”，如果你设置成classpath:tessdata解析后的路径是/path/to/tessdata，但它内部还会再拼接一次/tessdata/xxx.traineddata，所以你要确认解析出来的目录结构是否匹配；
• 如果你是把语言包放在/opt/tessdata下，setDatapath就填/opt/tessdata，不要填/opt，否则它会在/opt/tessdata下再找tessdata子目录导致失败。

注意：如果你希望代码和部署分离，语言包路径建议做成配置项，在不同环境上指到各自的物理目录，不要写死在代码里。

6.2 JNA底层加载失败：Unable to load library 'libtesseract'或UnsatisfiedLinkError

这个报错说明你的系统里缺了Tesseract的本地动态库（Windows下是libtesseract.dll，Linux下是libtesseract.so）。你以为加了tess4j依赖就万事大吉，其实它只是“加载器”，真正的识别引擎还需要在系统层面安装。

Ubuntu/Debian下的安装命令：

bash复制apt-get update && apt-get install -y tesseract-ocr tesseract-ocr-chi-sim

CentOS/RHEL下的安装命令要先用yum install epel-release，然后yum install tesseract。macOS下用brew install tesseract，需要语言包的话再加brew install tesseract-lang。

这里有个细节：如果你是先启动SpringBoot项目再安装Tesseract，必须重启项目才能生效，因为JNA在类加载的时候就把动态库绑定上了，运行中途不会去重新找，所以排查顺序是：确认动态库是否真的存在，再确认项目是否已经因为加载失败而“缓存”了一个错误状态。

6.3 中文识别乱码或识别率低

识别出来的中文字符变成一堆乱码或者???，大概率是语言包没配对。默认的Tesseract实例用的语言是英文，如果你不显式调用setLanguage("chi_sim+eng")，它就用eng去识别中文图片，结果当然是“画虎不成反类犬”。

如果语言包匹配但还是识别率低，就要考虑预处理质量了。最常见的原因有两个：图片DPI太低和字体太小。Tesseract官方建议的输入图片DPI不低于300，但很多网页截图实际DPI只有96，你必须做缩放处理，把字符高度抬到30像素以上再识别。

还有一种情况是中文里夹着英文和数字，导致整体识别率下降。解决办法是语言参数写成chi_sim+eng，让引擎同时加载中英文数据集，这比只加载中文要好得多。

6.4 并发场景下的性能瓶颈

Tesseract实例不是完全线程安全的，多个线程同时调用同一个实例的doOCR方法，轻则报错，重则崩溃。解决思路有两种：

• 给Tesseract实例加锁，也就是把Service方法设为synchronized，实现简单，但并发能力直线下降；
• 用ThreadPoolExecutor+Semaphore控制并发识别请求数，或者直接维护一个Tesseract对象池。我项目里是每个线程拿一个单独的Tesseract实例（用ThreadLocal存），配合一个限流线程池，实测单机4核8G能跑到每秒3~5张图的稳定吞吐，对内部系统完全够用。

java复制@Configuration
public class Tess4jPoolConfig {

    @Value("${ocr.tessdata-path}")
    private String tessdataPath;

    @Value("${ocr.language}")
    private String language;

    @Bean
    public ThreadLocal<Tesseract> tesseractThreadLocal() {
        return ThreadLocal.withInitial(() -> {
            Tesseract tesseract = new Tesseract();
            tesseract.setDatapath(tessdataPath);
            tesseract.setLanguage(language);
            return tesseract;
        });
    }
}

6.5 大图OOM与超时问题

内存方面，一张3000x4000的高清扫描图，Tesseract在识别过程中会生成多个中间图像，内存占用可能是原图的8~10倍。如果你默认堆内存只有256MB，OOM是必然的。解决方向有两个：一是限制上传图片的尺寸，超过一定像素（比如4000x6000）就先压缩；二是给OCR进程单独加大堆内存：

bash复制java -Xmx1g -jar your-app.jar

超时方面，大图识别耗时可能到5秒以上。如果你在Nginx后面部署，记得把proxy_read_timeout调大，否则前端报504，但后台任务还在跑，造成重复提交。我一般在Controller里就把超时控制在合理范围：超过3秒的上传图片直接提醒用户“图片过大或过于复杂”。

7. 进阶扩展：从“能出字”到“能办事”

到这里，你已经能跑通一个基础识别服务了。但说实话，Tess4j的真正价值在于和业务结合，我抛出几个我做过或见到过的实用扩展，你按需选择。

7.1 与OpenCV集成做倾斜矫正

扫描件经常会有一点倾斜角度，Tesseract对倾斜超过10度的图片识别率会直线下降。OpenCV里有HoughLinesP可以检测直线并计算角度，然后旋转原图。如果你不想引OpenCV这个重依赖，也可以用Java自带的AffineTransform配合二值图上的白色像素投影法，自己算旋转角，原理不复杂，但代码量不小。

我自己在做的项目里用的是OpenCV的Java接口，因为反正要处理很多票据，OpenCV不只解决倾斜矫正，后续去边框、去红章、表格线识别都靠它，属于一张门票玩全场。

7.2 与hanlp等NLP工具结合做关键词结构化

OCR拿到的是“一块文字”，但业务往往要的是“结构化字段”。比如合同扫描件识别出来后，你还需要把“甲方”“乙方”“金额”这些字段抽出来。正则匹配能解决一部分固定格式，但遇到格式松散的合同，正则就力不从心了。

此时可以叠加上NLP工具（如hanlp）做分词和命名实体识别，先定位公司名、人名、金额短语，再通过上下文规则映射到字段。整体思路是OCR负责“把图变成字”，NLP负责“把字变成数”，两个开源组件叠加，可以在不依赖大模型API的情况下完成80%的结构化工作。

7.3 用flowable做审批流自动触发的场景

如果你恰好项目里用了工作流引擎，OCR和流程结合能玩出花来。比如一个报销流程，用户上传发票图片后，OCR自动识别发票代码、金额、日期，回填到流程表单里，然后根据金额大小自动路由到不同审批层级。这里的价值不是“识别”本身，而是“识别结果”作为流程引擎的数据源，实现了录入自动化和审批规则化。Tess4j在这种场景里充当的是一个低延迟、本地化的“感知层”，流程引擎是“决策层”，两者协同后业务体验提升非常明显。

最后分享一点实际体会

在Tess4j这个方案上踩了大半年坑之后，我想说：工具本身并不复杂，复杂的是你怎么看待它。它在“识别率”上比不过大模型，在“功能丰富度”上比不过专业OCR SDK，但它在“Java集成便利性”“本地部署自由度”“成本可控性”这个三角上，目前依然是最优选。尤其是一些内部系统、外包项目、毕设课题，你能在半小时内跑通接口，再花半天调优识别率，这个性价比没有对手。

最后再分享一个小技巧：如果你不确定一张图的识别结果为什么差，第一件事不是调参数，而是把预处理后的中间图片输出到本地看一遍。很多问题一眼就能看出来——二值化后文字断裂了、缩放后字太糊了、倾斜没矫正好。眼睛看到的问题，比日志里的报错更容易定位。这个习惯我能少熬好几个夜。