图片文字-敏感词过滤

文章中包含的图片要识别文字，过滤掉图片文字的敏感词

图片文字识别：

　　 OCR （Optical Character Recognition，光学字符识别）：是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程

         　　　　　　　　

 

Tesseract-OCR 特点：

　　1、Tesseract支持UTF-8编码格式，并且可以“开箱即用”地识别100多种语言。

　　2、Tesseract支持多种输出格式：纯文本，hOCR（HTML），PDF等

　　3、官方建议，为了获得更好的OCR结果，最好提供给高质量的图像。

　　4、Tesseract进行识别其他语言的训练 具体的训练方式，请参考官方提供的文档：https://tesseract-ocr.github.io/tessdoc/

Tesseract案例：

 　　1、导入依赖

<dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.1.1</version>
        </dependency>

 

　　2、导入中文字体库， 把资料中的tessdata文件夹拷贝到自己的工作空间下

　　3、编写测试类进行测试

package com.heima.tess4j;

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

import java.io.File;

public class Application {
    /**
     * 识别图片中的文字
     * @param args
     */
    public static void main(String[] args) throws TesseractException {
        //创建实例
        Tesseract tesseract = new Tesseract();

        //设置字体库路径
        tesseract.setDatapath("D:\\workspace\\tessdata");

        //设置语言 --> 简体中文
        tesseract.setLanguage("chi_sim");

        File file = new File("E:\\11.jpg");
        //识别图片
        String result = tesseract.doOCR(file);
        System.out.println("识别的结果为：" + result.replaceAll("\\r/\\n", "-"));

    }
}