1. Tesseract-OCR 环境准备与依赖配置
在Java项目中使用Tesseract进行OCR识别，首先需要配置好基础环境。我推荐使用Maven进行依赖管理，这是Java生态中最主流的构建工具之一。以下是具体操作步骤：
1.1 Maven依赖引入
在项目的pom.xml文件中添加tess4j依赖项。tess4j是Tesseract OCR的Java JNA封装，目前最新稳定版本是5.17.0：
xml复制<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>5.17.0</version>
</dependency>
注意：tess4j依赖会自动引入Leptonica和Tesseract OCR的本地库，但需要确保你的系统已安装Visual C++ Redistributable运行时（Windows平台）
1.2 语言数据包安装
Tesseract需要单独下载语言数据包（tessdata）。中文识别需要下载chi_sim.traineddata文件：
- 从官方GitHub仓库下载语言包：https://github.com/tesseract-ocr/tessdata
- 创建本地目录存放语言数据（如D:\Tesseract-OCR\tessdata）
- 将下载的.traineddata文件放入该目录
提示：对于中文识别，建议同时下载chi_sim_vert.traineddata（竖排中文）和eng.traineddata（英文）作为补充，能提高混合文本识别率
1.3 系统环境验证
在代码中可以通过以下方式检查环境是否配置正确：
java复制File tessDataFolder = new File("D:\\Tesseract-OCR\\tessdata");
if(!tessDataFolder.exists()) {
throw new RuntimeException("Tessdata目录不存在: " + tessDataFolder.getAbsolutePath());
}
Tesseract instance = new Tesseract();
instance.setDatapath(tessDataFolder.getAbsolutePath());
System.out.println("Tesseract初始化成功，可用语言: " + instance.getLanguages());
2. Tesseract核心配置参数详解
2.1 基础参数配置
通过Spring的@Value注解可以灵活配置Tesseract参数：
java复制@Value("${tess4j.datapath:D:\\Tesseract-OCR\\tessdata}")
private String tess4JdataPath;
@Value("${tess4j.language:chi_sim}")
private String tess4JLanguage;
@Value("${tess4j.pageSegMode:11}")
private int tess4JPageSegMode;
@Value("${tess4j.user_defined_dpi:300}")
private String tess4JUserDefinedDPI;
@Value("${tess4j.tessedit_char_whitelist:单位签名批准}")
private String tessEditCharWhiteList;
各参数作用说明：
| 参数名 | 默认值 | 说明 |
|---|---|---|
| tess4j.datapath | D:\Tesseract-OCR\tessdata | 语言数据文件存放路径 |
| tess4j.language | chi_sim | 识别语言（chi_sim=简体中文） |
| tess4j.pageSegMode | 11 | 页面分割模式（PSM） |
| tess4j.user_defined_dpi | 300 | 图像DPI设置 |
| tess4j.tessedit_char_whitelist | 单位签名批准 | 只识别指定字符 |
2.2 页面分割模式(PSM)详解
Tesseract的页面分割模式直接影响识别效果，以下是常用模式：
| 模式值 | 说明 | 适用场景 |
|---|---|---|
| 3 | 全自动分割，无OSD | 普通文档 |
| 6 | 假设为统一文本块 | 单栏文本 |
| 11 | 稀疏文本，按行识别 | 表格/签名 |
| 13 | 原始行，不进行任何处理 | 保持原始布局 |
对于签名识别这类稀疏文本，PSM 11是最佳选择。它会让Tesseract按行处理文本，而不会尝试合并相邻文本块。
2.3 初始化Tesseract实例
初始化方法需要正确设置所有关键参数：
java复制private Tesseract initTesseract() {
Tesseract tesseract = new Tesseract();
tesseract.setDatapath(tess4JdataPath);
tesseract.setLanguage(tess4JLanguage);
tesseract.setPageSegMode(tess4JPageSegMode);
tesseract.setVariable("user_defined_dpi", tess4JUserDefinedDPI);
tesseract.setVariable("tessedit_char_whitelist", tessEditCharWhiteList);
return tesseract;
}
重要提示：Tesseract实例不是线程安全的！每次识别都应该创建新实例，或使用ThreadLocal封装
3. PDF文本识别实现细节
3.1 PDF渲染与OCR处理
使用PDFBox渲染PDF页面为图像，然后进行OCR识别：
java复制private String ocrPdfText(PDFRenderer pdfRenderer, Integer pageNum)
throws IOException, TesseractException {
BufferedImage pageImage = null;
Tesseract tesseract = null;
try {
String cleanTextStr = "";
// 按指定DPI渲染PDF页面
pageImage = pdfRenderer.renderImageWithDPI(
pageNum,
Float.parseFloat(tess4JUserDefinedDPI)
);
tesseract = initTesseract();
String ocrText = tesseract.doOCR(pageImage);
if (StrUtil.isNotBlank(ocrText)) {
// 结果清洗处理
ocrText = ocrText.replaceAll("[ \\n\\r\\t ]", "");
log.info("pdf page[{}] ocr text : {}", pageNum, ocrText);
// 去重处理
Set<Character> charSet = new HashSet<>();
StringBuilder cleanText = new StringBuilder();
for (int i = 0; i < ocrText.length(); i++) {
char c = ocrText.charAt(i);
if (!charSet.contains(c)) {
charSet.add(c);
cleanText.append(c);
}
}
cleanTextStr = cleanText.toString();
}
return cleanTextStr;
} finally {
if (pageImage != null) {
pageImage.flush();
}
}
}
3.2 图像预处理技巧
原始PDF渲染图像可能不够理想，可以添加预处理步骤：
java复制// 图像二值化处理
BufferedImage binaryImage = new BufferedImage(
pageImage.getWidth(),
pageImage.getHeight(),
BufferedImage.TYPE_BYTE_BINARY
);
Graphics2D g = binaryImage.createGraphics();
g.drawImage(pageImage, 0, 0, null);
g.dispose();
// 可选：锐化处理
Kernel kernel = new Kernel(3, 3, new float[] {
-1, -1, -1,
-1, 9, -1,
-1, -1, -1
});
ConvolveOp op = new ConvolveOp(kernel);
BufferedImage sharpened = op.filter(binaryImage, null);
3.3 识别结果后处理
针对签名识别场景，可以优化结果处理：
- 保留字符顺序的同时去重：
java复制List<Character> orderedChars = new ArrayList<>();
Set<Character> seenChars = new LinkedHashSet<>();
for (char c : ocrText.toCharArray()) {
if (!seenChars.contains(c)) {
seenChars.add(c);
orderedChars.add(c);
}
}
- 置信度过滤（需要Tesseract 4.0+）：
java复制ResultIterator iter = tesseract.getResultIterator();
iter.begin();
do {
String text = iter.getUTF8Text(PageIteratorLevel.RIL_SYMBOL);
float confidence = iter.confidence(PageIteratorLevel.RIL_SYMBOL);
if (confidence > 80) { // 只保留高置信度字符
// 处理文本
}
} while (iter.next(PageIteratorLevel.RIL_SYMBOL));
4. 性能优化与问题排查
4.1 常见问题解决方案
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 无法加载语言数据 | 路径错误/文件缺失 | 检查tessdata路径和文件权限 |
| 中文识别乱码 | 语言设置错误 | 确认使用chi_sim语言包 |
| 识别率低 | 图像质量差 | 提高DPI或进行图像预处理 |
| 内存泄漏 | 未释放资源 | 确保调用flush()释放图像资源 |
4.2 性能优化建议
- DPI选择：300DPI是平衡点，超过600DPI反而可能降低识别率
- 多线程处理：使用线程池并行处理多个页面
java复制ExecutorService executor = Executors.newFixedThreadPool(Runtime.getRuntime().availableProcessors());
List<Future<String>> futures = new ArrayList<>();
for (int i = 0; i < pageCount; i++) {
final int pageNum = i;
futures.add(executor.submit(() -> ocrPdfText(renderer, pageNum)));
}
- 缓存机制：对相同文档建立哈希缓存，避免重复识别
4.3 高级配置技巧
- 自定义字典训练：
bash复制# 生成.box文件
tesseract input.png output -l chi_sim batch.nochop makebox
# 训练新字体
tesseract input.png output -l chi_sim nobatch box.train
unicharset_extractor output.box
shapeclustering -F font_properties -U unicharset output.tr
mftraining -F font_properties -U unicharset -O unicharset output.tr
cntraining output.tr
- 使用LSTM引擎（Tesseract 4.0+）：
java复制tesseract.setOcrEngineMode(TessOcrEngineMode.OEM_LSTM_ONLY);
在实际项目中，我发现签名识别场景有几个关键点：一是DPI设置要足够高（至少300），二是必须使用白名单限制识别字符范围，三是预处理阶段需要做好二值化。曾经有个项目因为没设置白名单，把印章边框的噪点也识别成了文字，导致后续处理出错。后来加入白名单限制后，准确率从60%提升到了95%以上。