Tesseract OCR 不适用于 64 位机器

Question

我正在开发一个使用 Tesseract 进行 OCR 的应用程序。

我的代码在 Windows 32 位系统中运行良好。 但是当我尝试使用 32 位 .dll 文件在 64 位机器上运行相同的代码时，代码正在运行，但是代码没有给出准确的结果。

所以我使用 64 位 .dll 文件在 64 位机器上运行它。 现在，当我尝试运行相同的程序时，在控制台（Eclipse Kepler）中出现以下错误。

Exception in thread "AWT-EventQueue-0" java.lang.UnsatisfiedLinkError: %1 is not a                                                           
valid Win32 application.
at com.sun.jna.Native.open(Native Method)
at com.sun.jna.Native.open(Native.java:1759)
at com.sun.jna.NativeLibrary.loadLibrary(NativeLibrary.java:260)
at com.sun.jna.NativeLibrary.getInstance(NativeLibrary.java:398)
at com.sun.jna.Library$Handler.<init>(Library.java:147)
at com.sun.jna.Native.loadLibrary(Native.java:412)
at com.sun.jna.Native.loadLibrary(Native.java:391)
at net.sourceforge.tess4j.TessAPI.<clinit>(TessAPI.java:38)
at net.sourceforge.tess4j.Tesseract.init(Tesseract.java:293)
at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:227)
at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:176)
at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:159)

我已经下载了与 64 位系统兼容的 64 位 .dll 文件 (https://github.com/charlesw/tesseract/tree/master/src/lib/TesseractOcr/x64)，但我仍然遇到同样的错误。 我在 64 位机器上使用 GhostScript v-8.71。我已经在 Program Files 和 Program Files(x86) 中安装了它。我也相应地设置了环境变量。但仍然无法正常工作。

请给我一些解决方案！

Answer 1

Tess4J 目前仅支持 32 位 JVM

This is the creator, nguyenq, responding to a similar issue on a sourceforge forum.

同样，教程中指出发行版中仅包含 32 位 DLL。

To run with a JVM 64-bit, you'll need to use Tesseract and Leptonica 64-bit DLLs.

一种解决方案：让您的 IDE 改用 32 位 JVM。

-- 缺点是您可能混合了 32 位和 64 位环境，在复杂的应用程序或环境中这可能很奇怪......（我认为这不是太糟糕，但可能会让您的 IDE 感到痛苦)

In an update found here，您似乎可以找到 64 位 Java 的 DLL here, as part of the Tesseract wrapper for .NET（很奇怪）。 但是，我还没有尝试过那些 64 位 DDL，并且在 sourceforge 链接中，它说他们 depend on the Visual C++ Redistributable for VS2012 or Visual C++ Redistributable for VS2013 ... 这太糟糕了....

如果我找到更清洁的解决方案，我会更新这篇文章。

更新

请注意，我是使用 Amazon Web Services 实例进行此操作的。

我能够让 Tess4J 在 64 位 Ubuntu 14.04 上工作。一旦我放弃了我的 Red Hat 发行版并转到 Ubuntu，这实际上非常简单。

sudo apt-get install tesseract-ocr 将完全设置 tesseract。您可以输入tesseract -v 进行检查。我还需要 GhostScript，因为我正在使用 PDF。 sudo apt-get install ghostscript 再次设置好一切。使用gs -v 进行验证。

现在在您的 Java 应用程序中，所有您需要在路径中包含来自 Tess4J 下载的 JAR -- jna-4.1.0j.ar、jai_imageio.jar、tess4j.jar 和 ghost4j-0.5.1.jar，如果您正在使用 PDF。

在您的 Java 应用程序中，您需要设置数据路径，以便您的 Tesseract 实例知道 tesseract 的安装位置。即使我设置了环境变量，它也从未对我有用。我需要像这样显式设置数据路径：

Tesseract tessInstance = Tesseract.getInstance();
tessInstance.setDatapath(System.getenv("TESSDATA_PREFIX"));
ImageIO.scanForPlugins(); // make sure it knows about GhostScript, to work with PDFs
String result = tessInstance.doOCR(myFile);

确保 setDatapath() 设置为您的 tesseract 安装的 tessdata 文件夹的 parent 文件夹（在我的 Ubuntu 上，这是 /usr/share/tesseract-ocr/`）。

这就是我所需要的。不用担心类路径中的 DLL。

tl;博士：

使用最新的 Ubuntu

sudo apt-get tesseract-ocr

sudo apt-get ghostscript 如果使用 PDF

包括适当的 Tess4J JAR（jna-4.1.0j.ar、jai_imageio.jar、tess4j.jar 和 ghost4j-0.5.1.jar，如果您使用的是 PDF）

调用 tess.setDataPath() 指向您的 tesseract 安装（/usr/share/tesseract-ocr/ 用于我的 Ubuntu 14.04）

ImageIO.scanForPlugins() 如果使用 GhostScript

就是这样。你很高兴打电话给tess.doOCR(MyFile)