Java 验证码识别库 Tess4j 学习

Java 验证码识别库 Tess4j 学习

【在用java的Jsoup做爬虫爬取数据时遇到了验证码识别的问题（基于maven），找了网上挺多的资料，发现Tess4j可以自动识别验证码，在这里简单记录下学习过程及遇到的一些问题。】

步骤：

1. 把tessreact项目里面的tessdata文件夹提取出来放在某个位置：https://github.com/tesseract-ocr/tesseract
2. 需要在步骤一的tessdata文件中加入相关语言包（训练文件），在这里下载：https://github.com/tesseract-ocr/tessdata ，如果是简单的英文数字验证码，下载 eng.traineddata然后放到文件夹里即可，中文的是chi开头的traineddata。
3. 导入相关依赖，maven相关依赖如下：

<dependencies>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>3.8.1</version>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>net.java.dev.jna</groupId>
            <artifactId>jna</artifactId>
            <version>4.2.1</version>
        </dependency>
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.1.1</version>
            <exclusions>
                <exclusion>
                    <groupId>com.sun.jna</groupId>
                    <artifactId>jna</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
    </dependencies>

4，编写相关代码（自测可正常运行）：

package yanZhengMaTest.pikachu;

import java.io.File;

import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

public class Test {
    public static void main(String[] args) {

        //验证码图片存储地址
        File imageFile = new File("C:\\Users\\pc\\Desktop\\1.gif");
        if(!imageFile.exists()){
            System.out.println("图片不存在");;
        }
        Tesseract tessreact = new Tesseract();
        tessreact.setDatapath("F:\\Program Files (x86)\\Tesseract-OCR\\tessdata");

        String result;
        try {
            result = "测验结果：" + tessreact.doOCR(imageFile);
            System.out.println(result);
        } catch (TesseractException e) {
            e.printStackTrace();
        }

    }
}

出现异常及处理：

（本人因为开始的时候没用maven导入依赖，自己去下载了各种网上要的jar包去导入，遇到了一堆问题，最后卡在了Invalid memory access这个异常上，后来通过换成maven项目并解决了异常）

A.【Exception in thread "main" java.lang.Error: Invalid memory access：】

如果出现类似于 Invalid memory access的异常

(1). 首先你先确定JAVA代码中：

tessreact.setDatapath("F:\\Program Files (x86)\\Tesseract-OCR\\tessdata");

这里的地址要填你步骤一下载的tessdata文件夹地址。

(2). 如果地址无误，那可能是你tess4j依赖的版本太低，需重新导入依赖，在pom中修改即可。

B.【Exception in thread “main” java.lang.UnsupportedClassVersionError: net/sourceforge/tess4j/Tesseract：】

发生该异常的原因是JDK版本低于1.7，使用1.7以上即可解决问题。

C.【出现图片非法异常】：可能是你图片有问题，换张图片试试，下载的图片不要去修改它的后缀，否则也可能报错。

痛的领悟：

不要直接用java项目自己去导入相关jar包，直接用maven项目去加入依赖包就好，否则可能会出现一堆莫名其妙的异常，个人觉得是因为maven项目依赖包导入时还会导入其他jar包，java项目则需要自己去补增一些jar包，在此建议用maven。

附：

tess4j相关视频：http://tphangout.com/how-to-use-the-tesseract-api-to-perform-ocr-in-your-java-code/

Tesseract-orc-setup下载地址（非必要）：https://digi.bib.uni-mannheim.de/tesseract/

Tesseract-orc-setup安装过程(非必要)：https://jingyan.baidu.com/article/219f4bf788addfde442d38fe.html

Tesseract-orc环境配置(非必要)：https://www.cnblogs.com/jianqingwang/p/6978724.html

可识别验证码示例：http://es.bnuz.edu.cn/checkcode.aspx?0.33556625493951997/