Tess4J -4.0.2- Linux 实践 [解决：Tess4J - Native library (linux-x86-64/libtesseract.so) not found in resource path]

Tess4J是Tesseract的Java JNA wrapper。本文介绍了在CentOS 7 操作系统中使用Tess4J的步骤及注意事项。在正式开始之前，先花一点篇幅，对相关的技术作一简要介绍。

一点点背景

Tesseract

Tesseract 是一个著名的开源OCR引擎，支持100多种语言，可以开箱即用。还可以通过训练方式支持更多语言。Tesseract诞生于1984年，来自HP公司，2005年开源。自2006年起，由谷歌接手开发。截止目前，最新的稳定版本是2017年6月1日发布的3.05.01。还有一只比较活跃的基于LSTM（长短期记忆网络，是一种时间递归神经网络）的4.0版本，还在研发中，最新释放的是2018年6月26日的4.0.0-beta.3。Tesseract由C++开发。

站点：

https://github.com/tesseract-ocr/tesseract

Leptonica

Tesseract作为OCR引擎，避免不了使用图像处理。Tesseract使用的图像处理主要由leptonica提供。Leptonica 包含众多图像处理和图像分析相关的功能。

站点：

http://www.leptonica.com/

Java JNA Wrapper

JNA 是 Java Native Access的缩写，顾名思义，是一个实现Java调用操作系统Native应用的库。提起Java本地调用，大家自然联想的JNI，但JNI使用过程十分复杂，会让人望而生畏。JNA则采取更加自然的方式，为Java应用提供调用本地应用的支持。

站点：

https://github.com/java-native-access/jna

Tess4J

Tess4J通过Java JNA Wrapper，提供了Java的Tesseract API，同时还提供了Windows 32bit和64bit的Tesseract的DLL以及一些样例图像。通过Tess4J，可以在Windows下非常便利的通过Java使用Tesseract。对于Linux、MAC等其他操作系统，则需要自行构建Tesseract才可以使用Tess4J。

也就是说，原生的Tess4J并不是跨平台的，仅仅是对Windows开箱即用的。

这也是本文写作的初衷，记录在Linux环境中，使用Tess4J的步骤及淌过的坑。

本文使用的技术版本

为什么要单独强调版本？长期混迹开源坑的同志们一定了解一个事实：大部分的开源项目其质量（功能可用性，文档正确性、更新及时性）相对一般，在圈子里混，必须具备在众多繁杂的信息中去伪存真的能力，在社区里大声疾呼求关注的技巧，极强的动手能力以及百折不挠的精神。。。

对于某些技术问题，谷歌出来的结果中，很大一部分是无效的，会浪费大量的时间，甚至走入歧途。但同众多作者交流后发现，绝大部分这类情况是有文章介绍方案不完整，或者不够严谨导致的。

因此，我认为，作为分享的每一个实践，需要具备可重复操作的基本要求。所以，我会尽量精确的重复我实践过程使用的软件及环境的版本，希望对大家有所帮助。

Tess4J：4.0.2

Tesseract：4.0.0-beta.1

Leptonica：1.76.0

JDK：1.8 Update 102 64bit

运行环境：CentOS 7 （内核：3.10.0-862.3.3.el7.x86_64）64bit

GCC：4.8.5

Clang：3.4

开发环境：Windows 10 64bit

为何这样选？

这里的坑是，不能根据自己的喜好，使用新版本。我使用过Tesseract 4.0.0-beta.3，但运行JVM会报出Fatal Error最后自行退出，看报出的错误来判断，大概是Tesseract中某些函数签名变化，Tess4J中签名与之不匹配所致。

还记得官方文档（https://github.com/tesseract-ocr/tesseract/wiki）吗？

官方Wiki提到，Linux的so库，可以通过安装预先编译的包，如果按照Wiki操作，便会自动安装最新版本。我也曾经尝试通过yum列表旧版本安装，发现即使所谓的旧版本，也会导致Tess4J运行时报错。（通过yum下载并自动安装的rpm包如下所示）

这里必须根据Tess4J适配的版本来选择。

Tess4J的versionchanges.txt中描述了最近几个版本的变化：

Version 4.0.0 (28 April 2018)
- Upgrade to Tesseract 4.0.0-beta.1 (45bb942)
- Update Lept4J to 1.9.3 (Leptonica 1.75.3)

Version 4.0.1 (2 May 2018)
- Fix a path issue when extracting resources from JAR to temp directory on Windows server

Version 4.0.2 (3 May 2018)
- Replace JNA string constant Platform.RESOURCE_PREFIX
- Update jai-imageio url
- Update Lept4J to 1.9.4

可见，最新版的Tess4J，仅对Tesseract 4.0.0-beta.1进行过适配，因此产生了上面描述的版本组合。鉴于无法确定预先构建的包哪个是从Tesseract 4.0.0-beta.1构建而来，因此只能通过源码自行构建。

构建Tesseract

1 修改yum的Repo

可能是我所在的环境网络非常差，yum默认会使用mirror，但绝大部分mirror连接不上，会导致下载过程在大量无效的mirror尝试中进行，非常浪费时间。

因此，我关闭了yum的fast mirror插件（/etc/yum/pluginconf.d），另外修改了CentOS-Base.repo。

2 安装必备包


1

2

3

yum -y update

yum -y install libstdc++ autoconf automake libtool autoconf-archive pkg-config gcc gcc-c++ make libjpeg-devel libpng-devel libtiff-devel zlib-devel

yum group install -y "Development Tools"

注意：autoconf-archive 是官方说明中都没有提到的必备组件。

3 下载源码

Leptonica

http://www.leptonica.com/source/leptonica-1.76.0.tar.gz

Tesseract

https://codeload.github.com/tesseract-ocr/tesseract/tar.gz/4.0.0-beta.1

下载完毕效果：

4 安装Leptonica


1

2

3

4

5

6

tar -zxvf leptonica-1.76.0.tar.gz

cd leptonica-1.76.0

./autobuild

./configure

make -j

make install

5 安装Tesseract


1

2

3

4

5

6

7

tar -zxvf 4.0.0-beta.1.tar.gz

cd tesseract-4.0.0-beta.1/

./autogen.sh

PKG_CONFIG_PATH=/usr/local/lib/pkgconfig LIBLEPT_HEADERSDIR=/usr/local/include ./configure --with-extra-includes=/usr/local/include --with-extra-libraries=/usr/local/lib

LDFLAGS="-L/usr/local/lib" CFLAGS="-I/usr/local/include" make -j

make install

ldconfig

6 确认安装

经过漫长的编译过程，Tesseract已经安装完毕。

执行如下指令：


1

tesseract -v

　　显示内容如下：

即为安装完毕。

获取so库

在/usr/local/lib中，可以找到Tess4J需要的依赖库libtesseract.so。可见libtesseract.so实际指向libtesseract.so.4.0.0。liblept.so是leptonica的库，Tesseract也需要调用。

为Tess4J设置库（so）文件位置

Tess4J的JAR包中，包含windows的DLL库，其位置如下：

在Tess4J运行时，会将操作系统依赖的库从JAR包中解压出来使用，对于Linux系统的so文件，也是如此。Tess4J约定的Linux库文件存储路径为classpath根路径下的linux-x86-64。

既然已经拿到了so文件，显而易见的有两种方法：

1 修改tess4j-4.0.2.jar，将so文件按照约定路径存储，这样Tess4J在运行时就会自动解压使用。

但这种方式修改了Tess4J公开发布的JAR包，日后升级会有麻烦，因此，不建议这样操作。

2 将linux-x86-64放到Java工程的classpath根目录。这样在运行时，Tess4J就可以找到库了。我的Java工程采用的Gradle构建，因此将这些文件放到了src/main/resources下。

linux-x86-64目录中包含的文件，是从Linux系统中/usr/local/lib拷贝而来，去掉了一些链接文件，具体如下：

至此，已经完成了Tess4J在库文件方面的准备。

在Tess4J设置Tesseract数据目录tessdata

Tesseract运行时是需要加载语言的训练数据的，按照约定，这些训练数据需要放在tessdata下。但Tess4J 4.0.2对Windows和Linux两类操作系统目录处理方式是不一致的。

初始化Tesseract的代码，setDatapath就是用来设置tessdata目录的。


1

2

3

ITesseract instance = new Tesseract();

//设置tessdata目录

instance.setDatapath("/path/to/tessdata");

Tesseract的训练数据以“语言名.traineddata”命名。

经过实测，在Windows中，需要直接指定到.traineddata所在目录，在Linux中，则需要指定到一个目录，其中包含一个叫做tessdata的文件夹，tessdata内部是.traineddata文件。

举例说明：

在Windows中，instance.setDatapath("lngData/tessdata");

在Linux中，instance.setDatapath("lngData");

显然这是一个BUG，不过开源项目有BUG已经是家常便饭了。

为此，我在实践时根据操作系统做了一个小小的适配。


1

2

3

4

5

6

7

8

9

10

11

12

13

        ITesseract instance = new Tesseract();

File tessTrainedDataLoc = null;

if(SystemDetector.isWindows())

{

    //Windows Data目录直接指定到*.traineddata所在目录

    tessTrainedDataLoc = new File(System.getProperty("user.dir"),"lngData\\tessdata");

}

else

{

    // 在Linux（如CentOS 7）中，Data目录指定到tessdata上一级

    tessTrainedDataLoc = new File(System.getProperty("user.dir"),"lngData");

}

instance.setDatapath(tessTrainedDataLoc.getAbsolutePath());

以上用到的SystemDetector代码：


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

import java.util.Properties;

public class SystemDetector {

    private static boolean isWindows = false;

    private static boolean isLinux = false;

    

    static {

        Properties props = System.getProperties();

        String systemName = props.getProperty("os.name");

        if (systemName.toLowerCase().indexOf("windows") != -1) {

            isWindows = true;

        }

        if (systemName.toLowerCase().indexOf("linux") != -1) {

            isLinux = true;

        }

    }

    

    public static boolean isWindows()

    {

        return isWindows;

    }

    

    public static boolean isLinux()

    {

        return isLinux;

    }

}

　　至此，全部完成。在Windows上开发的项目使用Tess4J，已经可以在Linux中正常运行。

关于Tesseract的训练数据

Tesseract最大优势就是可以开箱即用，拥有大量语言的训练数据，实际使用时，可以根据需要进行OCR识别的内容类型添加。

但是不要贪多，识别范围越广，速度也就越慢，甚至还会影响精确度。建议在使用时尽量指定要识别内容的语言，类型，以便在准确度及效率之间取一个恰当的平衡。

Tesseract训练数据可以从下面获取：

https://github.com/tesseract-ocr/tessdata

Tesseract 4使用了LSTM，因此还有一个叫做tessdata_best的Repo，其内容是使用LSTM模型训练的各种语言识别率最高的训练数据。（推荐使用）

https://github.com/tesseract-ocr/tessdata_best

如果对Tesseract效果不满意，还可以自行准备数据进行训练。Tesseract所有项目均在Github上，链接地址为：

https://github.com/tesseract-ocr

原文地址：https://www.cnblogs.com/socketqiang/p/10960800.html

时间： 2024-10-09 22:02:41

Tess4J -4.0.2- Linux 实践 [解决：Tess4J - Native library (linux-x86-64/libtesseract.so) not found in resource path]的相关文章

Tess4J Linux 实践[解决：Tess4J - Native library (linux-x86-64/libtesseract.so) not found in resource path]

[本文编写于2018年7月5日] Tess4J是Tesseract的Java JNA wrapper.本文介绍了在CentOS 7 操作系统中使用Tess4J的步骤及注意事项.在正式开始之前,先花一点篇幅,对相关的技术作一简要介绍. 一点点背景 Tesseract Tesseract 是一个著名的开源OCR引擎,支持100多种语言,可以开箱即用.还可以通过训练方式支持更多语言.Tesseract诞生于1984年,来自HP公司,2005年开源.自2006年起,由谷歌接手开发.截止目前,最新的稳定版

linux实践之ELF文件分析

linux实践之ELF文件分析 下面开始elf文件的分析. 我们首先编写一个简单的C代码. 编译链接生成可执行文件. 首先,查看scn15elf.o文件的详细信息. 以16进制形式查看scn15elf.o文件. 查看scn15elf.o中各个段和符号表的信息. 各个段的详细信息如下. 符号表的信息如下: 使用readelf命令查看各个段的详细信息: 段表信息如下: 符号表信息如下: 下面让我们开始分析文件头吧! 由于我的虚拟机是32位的,我下面就主要以32位的系统进行分析,就不比较32位机和64

路由器配置实践 教你如何在Linux中三台主机两个网段互相通信

大家好我是你们的齐天大圣 又到了齐天大圣给大家讲解的时间了 今天我带你们做一个 大大项目 你们信不信 如果把你不小心打开这个文档 希望你能看完 这个博文花费了我两天的时间所以请尊重我的劳动 假装看完好吗 齐天大圣在此谢过各位看官 首先欢迎大家观看操作步骤 我们正式开始 题目: 路由配置实践: 01. 需要按照拓扑结构配置好服务器的网络信息 02. 需要让linux服务器01可以访问linux服务器03,通过linux服务器02进行访问 将linux服务器02变换成为一台路由器 03. 实现lin

《linux 内核完全剖析》编译linux 0.12 内核 Ubuntu 64bits 环境

我×...终于好了,大概3 4个小时吧...各种毛刺问题.终究还是闯过来了.... [email protected]:~/Downloads/linux-0.00-050613/linux-0.00$ make ld -s -x -M head.o  -o system > System.map dd bs=32 if=boot of=Image skip=1 16+0 records in 16+0 records out 512 bytes (512 B) copied, 0.000605

java架构之数据库MongoDB4.0入门到实践掌握NoSQL数据库企业主流解决方案

java架构之数据库MongoDB4.0入门到实践掌握NoSQL数据库企业主流解决方案简介: MongoDB 是一个基于分布式文件存储的数据库.由 C++ 语言编写.旨在为 WEB 应用提供可扩展的高性能数据存储解决方案. MongoDB 是一个介于关系数据库和非关系数据库之间的产品,是非关系数据库当中功能最丰富,最像关系数据库的. 1.下载 从官网下载压缩包, 官网地址:https://www.mongodb.com/download-center/v2/community. 下载命令: ?

linux实践之程序破解

linux实践之程序破解 这次的实践是文件破解,让我们从login可执行文件开始吧! 首先我们执行一下这个可执行程序 ①我们希望在不知道密码的情况下,能够登陆进去.且无论密码是什么,都是提示“on your command,my master!”. 首先对该程序执行反汇编. 我们首先要找到main函数的入口处. 我们可以看到cmp语句后,有jmp语句,如果不等于就跳转到“0x8048466”处,这是正常程序执行的过程,我们在这里希望不等于的时候,也不要跳转,所以可以把“75 0e”修改为“75

解决Qt程序在Linux下无法输入中文的办法

一位网友问我如何在Linux的Qt的应用程序中输入中文,我一开始觉得不是什么问题,但是后面自己尝试了一下还真不行.不仅是Qt制作的应用程序,就连Qt Creator都无法支持.后面看了一些资料,了解了Qt应用程序的方法,这里和大家分享一下. 写一个bash脚本,内容如下: #!/bin/sh cd YourBinaryDirectory export QT_IM_MODULE=iBus ./YourProjectBinary 如果想让Qt Creator也能输入中文,那么可以这么写: #!/bi

android在view.requestFocus(0)返回false的解决办法

我们有时候想让listview的第一行自动获取到焦点,我们就会使用view.requestFocus(0)来操作,而有时候并不生效,debug后显示rerurn为false. 这是因为我们获取焦点太早,listview控件还为加载完毕.可以尝试一下方法解决: listview.post(new Runnable(){ @Override public void run(){ view.requestFocus(0); } }); ok,问题解决! android在view.requestFocu

未在本地计算机上注册“microsoft.ACE.oledb.12.0”提供程序的解决方法

在win7 操作系统中SQL2008导入excel2007 出现: 未在本地计算机上注册"microsoft.ACE.oledb.12.0"提供程序 的解决方法: 出现这个原因是office 2007没有安装64位的数据驱动,下载: http://download.microsoft.com/download/7/0/3/703ffbcb-dc0c-4e19-b0da-1463960fdcdb/AccessDatabaseEngine.exe 数据引擎安装后即可.