最近写爬虫采集数据，遇到网站登录需要验证码校验，想了想有两种解决办法
1，利用htmlunit，将验证码输入到swing中，并弹出一个输入框，手动输入验证码，这种实现方式，如果网站需要登录一次可以使用，如果每个5分钟就让你重新登录，校验验证码，那这法指定很麻烦，我总不能一直在这看着，每五分钟手动输入一次吧
2，为了避免上一个法子的弊端，就想到有没有可以自动识别验证码，让程序自己验证而不需要人工手动输入，然后从网上找到了解决方案，ocr - tesseract，但是网上的博客什么的都是一样的，把别人的博客copy过来，也不管代码到底能不能正常运行，因此写了这篇文章，希望可以帮助正卡在tesseract这的盆友（说的大义凛然）
对tess4j的使用总结
1，tess4j 封装了 tesseract-ocr 的操作
可以用很简洁的几行代码就实现原本tesseract-ocr 复杂的实现逻辑
如果你也想了解tesseract-ocr是怎么实现验证码识别的请移步我的另一篇文章
2，网上有很多说发布jar或war包之后需要自己加载dll，这是错误的
不需要再自己加载dll，tess4j已经自己封装了加载dll的操作
3，使用tess4j需要先安装 tesseract-ocr-setup-3.02.02
4，如果抛Invalid memory access无效的内存访问异常，导致这个异常的原因是tessdata语言包的位置没有找到
5，下面就是我使用tess4j的一个使用demo
目录结构
tessdata 语言包放在了和src同级的目录
maven 依赖
1 <dependencies> 2 3 <dependency> 4 <groupId>net.java.dev.jna</groupId> 5 <artifactId>jna</artifactId> 6 <version>4.2.1</version> 7</dependency> 8 9 <dependency> 10 <groupId>net.sourceforge.tess4j</groupId> 11 <artifactId>tess4j</artifactId> 12 <version>2.0.1</version> 13 <exclusions> 14 <exclusion> 15 <groupId>com.sun.jna</groupId> 16 <artifactId>jna</artifactId> 17 </exclusion> 18 </exclusions> 19</dependency> 20 21 </dependencies>
3，测试代码
1 package com.sinosoft.ocr; 2 3 import java.awt.image.BufferedImage; 4 import java.io.File; 5 import java.io.FileInputStream; 6 import java.io.IOException; 7 import java.io.InputStream; 8 9 import javax.imageio.ImageIO;10 11 import net.sourceforge.tess4j.ITesseract;12 import net.sourceforge.tess4j.Tesseract;13 import net.sourceforge.tess4j.TesseractException;14 import net.sourceforge.tess4j.util.ImageHelper;15 16 public class OcrTest {17 18public static void main(String[] args) { 19 File imageFile = new File("E:\\valimg\\fx\\fx.tif"); 20 ITesseract instance = new Tesseract(); // JNA Interface Mapping 21 22 try { 23 //读取一个文件夹下的所有图片并验证24 /* String[] filelist = imageFile.list();25 for (int i = 0; i < filelist.length; i++) {26File readfile = new File("E:\\valimg" + "\\" + filelist[i]);27if (!readfile.isDirectory()) {28 System.out.println("path=" + readfile.getPath());29 System.out.println("absolutepath="30 + readfile.getAbsolutePath());31 System.out.println("name=" + readfile.getName());32 33 String result = instance.doOCR(readfile);34 //String result = instance.doOCR(change(readfile));35 System.err.println(readfile.getName() +" result："+ result);36 }37 }*/ 38 instance.setLanguage("chi_sim"); //加载语言包39 String result = instance.doOCR(imageFile);40 41 System.err.println(imageFile.getName() +" result："+ result);42 43 } catch (TesseractException e) { 44 System.err.println(e.getMessage()); 45 } 46} 4748public static BufferedImage change(File file){4950 // 读取图片字节数组51 BufferedImage textImage = null;52 try {53 InputStream in = new FileInputStream(file);54 BufferedImage image = ImageIO.read(in);55 textImage = ImageHelper.convertImageToGrayscale(ImageHelper.getSubImage(image, 0, 0, image.getWidth(), image.getHeight())); //对图片进行处理56 textImage = ImageHelper.getScaledInstance(image, image.getWidth() * 5, image.getHeight() * 5); //将图片扩大5倍57 58 } catch (IOException e) {59 e.printStackTrace();60 }61 62 return textImage;63}64 }
如果是web项目，需要指定 instance.setDatapath("E:\\ocr\\tesseract"); //tessdata 的目录为E:\\ocr\tesseract\tessdata,如果不指定也会抛Invalid memory access 异常
如果觉得《ocr智能图文识别 tess4j 图文 验证码识别》对你有帮助，请点赞、收藏，并留下你的观点哦！
