tess4j: OCR desde Java de forma sencilla

Tess4J es una librería Java open-source con licencia Apache, que actúa como Wrapper JNA para la librería OCR open-source Tesseract.

Usarla es muy sencilla, veamos un ejemplo.

Primero creamos un proyecto Maven con el arquetipo quickstart.

mvn archetype:generate -DgroupId=com.indracompany.examples.tess4j -DartifactId=tess4j-example -DarchetypeArtifactId=maven-archetype-quickstart -DinteractiveMode=false

Luego añado a mi pom.xml:

<dependency>

<groupId>net.sourceforge.tess4j</groupId>

<artifactId>tess4j</artifactId>

<version>3.2.1</version>

</dependency>

Y genero el proyecto de Eclipse con >mvn eclipse:eclipse:

Luego en https://github.com/tesseract-ocr/tessdata descargaré los datos entrenados para los lenguajes que me interesen:

· Inglés à https://github.com/tesseract-ocr/tessdata/blob/master/eng.traineddata

· Español à https://github.com/tesseract-ocr/tessdata/blob/master/spa_old.traineddata (bajaros este y renombradlo a spa.traineddata.

Luego en mi proyecto creo la carpeta tessdata donde dejo los ficheros traineddata descargados:

Para acabar creo una carpeta images y dejo la imagen/imágenes de las que quiero hacer OCR:

(en mi caso con la extensión de Chrome Full Page Screen Capture he generado como imagen la web principal de elmundo.es):

Para acabar en la clase Java App.java que ha generado Maven dejo este código:

Si ejecutamos el código obtendré algo como esto:

Si me fijo en el texto de este banner que compone la imagen:

Podemos ver como el OCR ha obtenido:

Podemos probar a usar el lenguaje por defecto (inglés), con comentar esta línea:

en este caso habríamos obtenido:

tess4j y su librería OCR Tesseract puede configurarse y entrenarse para obtener mejores resultados (pero eso es otro post 🙂 ).