OCRのAPI tess4jを試してみた

2019.12.16

LINEトークでOCRができるプログラムを3時間程度で開発したという記事を見て、JavaでOCRを試してみました。JavaでOCRを実現するのに、無料APIがありましたので早速使ってみます。

開発環境
IDE:Eclipse
Java8
FW:なし。ネイティブで作成
API:tess4j
<tess4jセットアップ>
Maven: https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j
言語認識ファイル: https://github.com/tesseract-ocr/tessdata

スポンサーリンク

uploadフォルダを作成

Viewから受け取ったファイルを置く場所を作成します。
ファイルの作成場所は、
WebContent/WEB-INF/upload
としてください。

Filter Classでutf-8を設定

まずは、文字化け防止のためFilterクラスを作成し、utf-8を設定します。

package filter;

import java.io.IOException;

import javax.servlet.Filter;
import javax.servlet.FilterChain;
import javax.servlet.FilterConfig;
import javax.servlet.ServletException;
import javax.servlet.ServletRequest;
import javax.servlet.ServletResponse;
import javax.servlet.annotation.WebFilter;

/**
 * Servlet Filter implementation class filter
 */
@WebFilter("/filter")
public class filter implements Filter {

    /**
     * Default constructor.
     */
    public filter() {
        // TODO Auto-generated constructor stub
    }

	/**
	 * @see Filter#destroy()
	 */
	public void destroy() {
		// TODO Auto-generated method stub
	}

	/**
	 * @see Filter#doFilter(ServletRequest, ServletResponse, FilterChain)
	 */
	public void doFilter(ServletRequest request, ServletResponse response, FilterChain chain) throws IOException, ServletException {
		// TODO Auto-generated method stub
		// place your code here
		request.setCharacterEncoding("utf-8");
		response.setContentType("text/html:charset=utf8");


		// pass the request along the filter chain
		chain.doFilter(request, response);
	}

	/**
	 * @see Filter#init(FilterConfig)
	 */
	public void init(FilterConfig fConfig) throws ServletException {
		// TODO Auto-generated method stub
	}

}

Servlet作成

Servletを作成する前に、こちらから実装したい言語ファイルをダウンロードし、ローカルに作業フォルダを作成して、言語ファイルを格納します。
今回、作業フォルダは C:\\Users\\workとしました。
言語ファイルは、この作業フォルダ直下にtessdataフォルダを作成し、セットしました。 C:\\Users\\work\\tessdata 

package Controller;

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.List;

import javax.imageio.ImageIO;
import javax.servlet.ServletException;
import javax.servlet.annotation.MultipartConfig;
import javax.servlet.annotation.WebServlet;
import javax.servlet.http.HttpServlet;
import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpServletResponse;
import javax.servlet.http.Part;

import net.sourceforge.tess4j.ITessAPI.TessPageIteratorLevel;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import net.sourceforge.tess4j.Word;

/**
 * Servlet implementation class TextChangeServlet
 */
@WebServlet("/TextChange")
@MultipartConfig(location = "C:\\Users\\work", maxFileSize = 500*500)
public class TextChangeServlet extends HttpServlet {
	private static final long serialVersionUID = 1L;

	/**
	 * @see HttpServlet#HttpServlet()
	 */
	public TextChangeServlet() {
		super();
		// TODO Auto-generated constructor stub
	}

	/**
	 * @see HttpServlet#doGet(HttpServletRequest request, HttpServletResponse response)
	 */
	protected void doGet(HttpServletRequest request, HttpServletResponse response)
			throws ServletException, IOException {
		request.getRequestDispatcher("/WEB-INF/views/textChange.jsp").forward(request,
				response);

	}

	/**
	 * @see HttpServlet#doPost(HttpServletRequest request, HttpServletResponse response)
	 */
	protected void doPost(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {

		File uploadDirectory = new File(request.getServletContext().getRealPath("/WEB-INF/upload"));
		Part part = request.getPart("file");
		String filename = part.getSubmittedFileName();
		part.write(getServletContext().getRealPath("/WEB-INF/upload" + "/" + filename));

		// 検証用
		System.out.println(uploadDirectory);


		ITesseract tesseract = new Tesseract();
        tesseract.setDatapath("C:\\Users\\work\\tessdata"); //言語ファイル格納先

        // 日本語と英語で言語を変更
        String lang = request.getParameter("lang");
        switch(lang) {

        case "jpn":
        	tesseract.setLanguage("jpn"); //言語を選択
        	break;

        case "eng":
        	tesseract.setLanguage("eng"); //言語を選択
        	break;

        default:
        	System.out.println("error");
        }


        File file = new File(uploadDirectory + "/" + filename);
        BufferedImage img = ImageIO.read(file);

		try {

			List&amp;lt;Word&amp;gt; wordList = tesseract.getWords(img, TessPageIteratorLevel.RIL_BLOCK);
			String str = tesseract.doOCR(img);
			System.out.println(wordList);
			System.out.println(str);
			request.setAttribute("str", str);
			request.getRequestDispatcher("/WEB-INF/views/textChange.jsp").forward(request, response);

		} catch (TesseractException e) {
			// TODO 自動生成された catch ブロック
			e.printStackTrace();
			img = null;
		}
	}

}

@MultipartConfig(location = “C:\\Users\\work”, maxFileSize = 500*500)

@MultipartConfigでは、”location”で作業ファイルへの絶対パスを設定します。”maxFileSize”で、アップロードファイルの許容サイズを設定します。アップロードサイズを超えた場合、Webコンテナが IllegalStateExceptionをスローします。

POST通信がされたら、画像をuploadフォルダに入れる→変換言語の認識→tess4jで画像からテキストを判断→JSPに変換内容をはきだす流れになります。

JSP作成

WEB-INF直下にlibフォルダを作成し、JSTLを格納する。JSP上部でtaglib呼び出し。

<%@ page pageEncoding="UTF-8"%>
<%@ taglib prefix="c" uri="http://java.sun.com/jsp/jstl/core"%>

<!DOCTYPE html>
<html lang="ja">
<head>
<meta charset="UTF-8">
<title>画像から文字を起こすよ</title>
</head>
<body>

	<h1>画像から文字をおこします</h1>
	<p>文字を起こしたい画像をアップロードしてください。</p>
	<ul>
		<li><strong>注意事項</strong></li>
		<li>画像は１枚のみアップロードしてください。PDFも1枚のみ</li>
		<li>アップロード画像の容量は500MBまでです。</li>
	</ul>

	<form action="" method="post" enctype="multipart/form-data">
		<p>
			文字起こしをしたい言語を選択してください：<select name="lang">
				<option value="jpn" selected>日本語</option>
				<option value="eng">英語</option>
			</select>
		</p>
		<input type="file" name="file" /><br /> <input type="submit"
			value="アップロード" />
	</form>

    <section>
			<pre style="font-size:16px; color:red;"><c:out value="${str}" /></pre>
	</section>
</body>
</html>

以上！！

タイトルとURLをコピーしました