如何使用 Aspose.OCR 和 GroupDocs.Parser 从 Java 图像中提取文本

在现代 Java 应用程序中，将文档的图片转换为可搜索、可编辑的文本是自动化、合规和分析的核心需求。How to extract text from image java 正是本指南要回答的问题。您将学习如何将 Aspose.OCR 的高精度光学字符识别与 GroupDocs.Parser 强大的布局感知解析相结合，同时处理流，使解决方案适用于 Web 服务、批处理作业和桌面工具。

快速答案

• 哪个库负责 OCR？ Aspose.OCR 提供业界领先的印刷文本识别准确率。
• 哪个组件解析 OCR 输出？ GroupDocs.Parser 将原始字符串转换为结构化的表格、表单和段落。
• 最低 Java 版本？ JDK 8 或更高。
• 生产环境是否需要许可证？ 试用版可用于评估；完整许可证可去除水印并解锁所有功能。
• 可以直接处理图像流吗？ 可以——两个 API 都接受 InputStream，非常适合 HTTP 上传。

什么是“从图像中提取文本”？

从图像中提取文本是指将可视字符——例如扫描页或收据的照片——转换为普通的 Unicode 字符串，以便您的代码可以搜索、索引或转换。OCR 引擎分析像素模式，识别字形，并输出文本表示。

为什么将 Aspose.OCR 与 GroupDocs.Parser 结合使用？

将 Aspose.OCR 与 GroupDocs.Parser 结合使用，可同时获得高质量的字符识别和强大的布局分析。Aspose.OCR 从图像中提取原始文本，而 GroupDocs.Parser 解释该文本以识别表格、表单和多列结构，并以结构化格式返回数据，准备进行后续处理。

• 准确性： Aspose.OCR 提供业界领先的识别率。
• 灵活性： GroupDocs.Parser 能检测表格、表单字段和多列布局，返回 JSON 或 Java 对象的数据。
• 流友好： 两个库都直接从 InputStream 读取，消除临时文件并简化云原生部署。

前提条件

• Java 开发工具包： 已安装 JDK 8+。
• Maven： 首选构建工具（如果愿意，也可以手动处理 JAR）。
• Aspose OCR 库： 将 JAR 添加到项目类路径。
• GroupDocs.Parser for Java： 通过 Maven 引入（见下文）或下载 JAR。
• 基本的 Java 知识： 您应熟悉流、异常处理和集合。

为 Java 设置 GroupDocs.Parser

Maven 设置

将仓库和依赖项添加到您的 pom.xml 中：

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/parser/java/</url>
   </repository>
</repositories>

<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-parser</artifactId>
      <version>25.5</version>
   </dependency>
</dependencies>

直接下载

如果您不想使用 Maven，可从 GroupDocs Releases 获取最新的 JAR。

获取许可证

有效许可证可解锁 Aspose OCR 和 GroupDocs.Parser 的全部功能。您可以先使用免费试用版，或从供应商网站购买永久许可证。

基本初始化和设置

1. Set the license for Aspose OCR:
   License 类从类路径加载许可证文件 (license.lic) 并激活所有 OCR 功能。

   import com.aspose.ocr.License;
   
   // Initialize and set the Aspose OCR license
   License license = new License();
   license.setLicense("YOUR_LICENSE_PATH/AsposeOcrLicensePath");

2. Initialize GroupDocs.Parser:
   基本解析不需要额外代码；当您传入识别后的字符串时，库会自动检测 OCR 输出格式。

如何在 Java 中提取图像文本？

加载图像流，运行 Aspose.OCR 的 recognizePage 方法，并将生成的文本输入到 GroupDocs.Parser——全部在不到十几行的 Java 代码中完成。这种直接方法消除中间文件，并为您提供可直接用于数据库插入或搜索引擎索引的结构化结果。
recognizePage 处理提供的图像并返回识别后的文本字符串。

功能：从图像流识别文本

概述

该过程将传入的 InputStream 转换为 BufferedImage，可选地将 OCR 限制在特定区域，并调用 Aspose OCR 的 recognizePage 方法。返回的字符串随后交给 GroupDocs.Parser 进行布局分析。

步骤说明

1. Create the AsposeOCR instance:
   OcrEngine 类是所有识别任务的入口。它封装了语言模型、预处理过滤器和输出设置。

   import com.aspose.ocr.AsposeOCR;
   
   AsposeOCR api = new AsposeOCR();

2. Read the image stream into a BufferedImage:
   BufferedImage 是一个 Java 类，用于在内存中存储具有可访问像素数据的图像。ImageIO.read 将字节流解码为光栅图像，供 OCR 引擎分析。使用 BufferedImage 还可以在识别前裁剪或旋转图片。

   import java.awt.image.BufferedImage;
   import javax.imageio.ImageIO;
   
   BufferedImage image = ImageIO.read(imageStream);

3. Configure recognition settings (optional area selection):
   当您知道感兴趣区域时（例如护照 MRZ），可以将 OCR 限制在矩形（Rectangle 对象）内，以加快处理速度并减少误报。

   import com.aspose.ocr.RecognitionSettings;
   
   RecognitionSettings settings = new RecognitionSettings();
   
   // Example: limit OCR to a specific rectangle
   if (options != null && options.getRectangle() != null) {
       ArrayList<Rectangle> areas = new ArrayList<>();
       areas.add(new Rectangle(
           (int) options.getRectangle().getLeft(),
           (int) options.getRectangle().getTop(),
           (int) options.getRectangle().getSize().getWidth(),
           (int) options.getRectangle().getSize().getHeight()));
       settings.setRecognitionAreas(areas);
   }

4. Run the recognition and handle warnings:
   recognizePage 调用返回一个 RecognitionResult，其中包含提取的文本和任何诊断警告（例如低置信度片段）。检查 result.getWarnings() 以记录潜在的质量问题。

   import com.aspose.ocr.RecognitionResult;
   
   RecognitionResult result = api.RecognizePage(image, settings);
   
   if (options != null && options.getHandler() != null) {
       options.getHandler().onWarnings(pageIndex, result.warnings);
   }
   
   return result.recognitionText;

功能：从图像流识别文本区域

概述

当您需要分别获取每个文本块——例如表单上的各个字段——时，请启用区域检测。OCR 引擎随后返回包含边界框及其文本内容的列表，GroupDocs.Parser 可以将其映射到结构化模型。

步骤说明

1. Enable area detection:
   设置 recognitionSettings.setDetectAreas(true) 可指示引擎返回每个检测到的文本片段的矩形坐标。

   RecognitionSettings settings = new RecognitionSettings();
   settings.setDetectAreas(true);

2. （可选）定义特定区域 ——如果只关心图像的某些部分，可复用前一节的矩形逻辑。

3. Execute OCR and collect area information:
   结果包含一组 TextArea 对象，每个对象提供 getRectangle() 和 getText()。您可以遍历此集合以填充 DTO 或 JSON 负载。

   import java.awt.Rectangle;
   import java.util.ArrayList;
   
   ArrayList<PageTextArea> areas = new ArrayList<>();
   for (int i = 0; i < result.recognitionAreasRectangles.size(); i++) {
       Rectangle rect = result.recognitionAreasRectangles.get(i);
       String text = result.recognitionText;
   
       areas.add(new PageTextArea(
           text,
           new Page(pageIndex, pageSize),
           new Rectangle(
               new Point(rect.getX(), rect.getY()),
               new Size(rect.getWidth(), rect.getHeight()))));
   }
   
   return areas;

实际应用

• 文档管理系统： 为扫描的 PDF 建立索引，使用户无需打开原始扫描件即可搜索全文。
• 自动化数据录入： 从拍摄的收据、发票或运单中提取明细。
• 内容数字化： 将印刷手册转换为可搜索的电子书，保留表格和标题。
• 合规监控： 扫描监管表单并自动标记缺失或格式错误的字段。

性能考虑

• 批处理： 每个 JVM 线程最多处理 20 张图像，以摊销 OCR 模型加载开销。
• 图像质量： 300 dpi 或更高的扫描相比 150 dpi 图像可提升最高约 15 % 的识别准确率。
• 内存管理： 每次 OCR 之后调用 bufferedImage.flush()，并复用同一 OcrEngine 实例以保持本机模型在内存中。

常见问题与故障排除

常见问题

Q: 如何在 Maven 项目中安装 Aspose OCR？
A: 从 Aspose Maven 仓库将 Aspose OCR 依赖添加到您的 pom.xml，然后运行 mvn clean install。JAR 将自动解析。

Q: 能否从多页 PDF 中提取文本？
A: 可以。将每个 PDF 页面转换为图像（例如使用 Aspose.PDF），然后将每个图像流传入上述 OCR 方法。

Q: 该方法适用于手写文本吗？
A: Aspose OCR 针对印刷字符进行优化。对于手写文字，可考虑使用专门的手写识别服务，如 Azure Computer Vision 或 Google Cloud Vision。

Q: 生产环境是否需要许可证？
A: 试用许可证足以用于评估，但完整许可证可去除水印、解除使用限制，并为商业部署提供优先支持。

Q: 如何提升特定语言的准确性？
A: 在 RecognitionSettings 对象上设置语言（例如 settings.setLanguage(Language.Spanish);）。这会缩小字符集和词典范围，提高置信度分数。

最后更新： 2026-08-26
测试环境： Aspose.OCR 23.12, GroupDocs.Parser 25.5
作者： Aspose

相关教程

• GroupDocs.Parser OCR 教程 – Java 集成指南
• 如何使用 GroupDocs.Parser 在 Java 中从 docx 提取文本 – 综合指南