JavaOCR

Una aplicación Java sencilla que usa Tesseract (a través de Tess4J) para realizar OCR sobre imágenes.

Resumen

JavaOCR carga una imagen seleccionada por el usuario y extrae su texto usando Tesseract. Este repositorio incluye un directorio tessdata/ con el archivo spa.traineddata (español) para facilitar pruebas locales.

Características principales

• Interfaz Swing minimalista para seleccionar imágenes y ver el texto reconocido.
• Usa Tess4J (wrapper Java para Tesseract).
• Viene preparado para usar los datos de lenguaje local (tessdata/).

Requisitos

• Java JDK 8 o posterior (se recomienda JDK 17+).
• Tesseract OCR (instalación nativa) si deseas usar OCR completo. Para pruebas locales el proyecto incluye tessdata/spa.traineddata.
• Maven para compilar (opcional si usas IntelliJ). Si no tienes Maven en PATH, puedes usar el Maven Wrapper (mvnw) — ver sección "Maven Wrapper".

Quick start (rápido)

Desde CMD (ventana de comandos) en Windows:

cd /d C:\Users\juan\Documents\IdeaProjects\JavaOCR
:: Si tienes Maven instalado globalmente
mvn -DskipTests package

:: Si no tienes Maven, usa IntelliJ (Maven -> Lifecycle -> package) o genera el wrapper (ver sección "Maven Wrapper")

:: Configura tessdata (temporal para la sesión):
set TESSDATA_PREFIX=C:\Users\juan\Documents\IdeaProjects\JavaOCR\tessdata
:: O define de forma persistente:
setx TESSDATA_PREFIX "C:\Users\juan\Documents\IdeaProjects\JavaOCR\tessdata"

:: Ejecuta el JAR empacado (o usa el script run_javaocr.bat):
java -jar target\JavaOCR-0.0.1-SNAPSHOT.jar

Maven Wrapper (opcional pero recomendado)

El Maven Wrapper (mvnw, mvnw.cmd y .mvn/wrapper/) permite a cualquier usuario construir el proyecto sin instalar Maven globalmente.

Para generarlo (necesitas Maven al menos una vez) ejecuta en la raíz del proyecto:

mvn -N io.takari:maven:wrapper

Esto crea los archivos mvnw, mvnw.cmd y la carpeta .mvn/wrapper/. Después podrás compilar con:

mvnw.cmd -DskipTests package

Nota: no incluí los binarios del wrapper en el repositorio para evitar añadir artefactos binarios aquí; si quieres que los añada, puedo generarlos e incluirlos (necesito ejecutar Maven localmente o que los descargues).

Instalación rápida

1. Clona o descarga el repositorio.
2. Compila (ver Quick start).
3. El JAR generado estará en target/JavaOCR-*.jar.

Configuración (tessdata)

Tesseract necesita encontrar los archivos .traineddata. El código intenta usar la variable de entorno TESSDATA_PREFIX si está definida; si no lo está, usa ./tessdata relativo al directorio de trabajo.

Cómo establecer TESSDATA_PREFIX en Windows (CMD):

:: Para la sesión actual (temporal)
set TESSDATA_PREFIX=C:\Users\juan\Documents\IdeaProjects\JavaOCR\tessdata

:: Para la sesión y de forma persistente (setx)
setx TESSDATA_PREFIX "C:\Users\juan\Documents\IdeaProjects\JavaOCR\tessdata"

En IntelliJ (Run Configuration):

• Run -> Edit Configurations -> selecciona tu aplicación -> Environment variables -> añade TESSDATA_PREFIX.

Verificar instalación de Tesseract y JVM

Comandos útiles para diagnosticar en Windows (CMD):

:: Versión de Java y arquitectura (importante para compatibilidad con DLLs nativas)
java -version
echo %PROCESSOR_ARCHITECTURE%

:: Localiza tesseract si está instalado
where tesseract

:: Comprueba que spa.traineddata existe en el tessdata usado
dir C:\Users\juan\Documents\IdeaProjects\JavaOCR\tessdata\spa.traineddata

Ejecución

1. Desde IntelliJ: Ejecuta la clase org.juanrdzbaeza.JavaOCR (Run Configuration).
2. Desde la línea de comandos (si ya generaste el JAR):

java -jar target\JavaOCR-0.0.1-SNAPSHOT.jar

También hay dos scripts en la raíz:

• setup_tessdata_win.bat — configura TESSDATA_PREFIX (temporal y persistente) y comprueba tesseract --version.
• run_javaocr.bat — establece TESSDATA_PREFIX para la sesión si no está definido y ejecuta el JAR empaquetado si existe en target/.

Uso (interfaz)

• Pulsa "Examinar" para seleccionar una imagen.
• La aplicación mostrará "Procesando..." y luego el texto reconocido.

Ejemplo de salida OCR

A modo de ejemplo, si ejecutas OCR sobre src/main/resources/images-tests/2024-10-17_02-02.png, podrías obtener una salida similar a:

Factura Nº: 2024-1001
Fecha: 2024-10-17
Importe: 123,45 EUR
Cliente: Empresa Ejemplo S.A.

Los resultados varían según la calidad de la imagen y el idioma.

Resolución de problemas ampliada

1. Error: Error opening data file ./spa.traineddata o mensajes sobre TESSDATA_PREFIX:
   • Asegúrate de que tessdata/spa.traineddata existe en la ruta que use TESSDATA_PREFIX.
   • Ejecuta:

echo %TESSDATA_PREFIX%
dir "%TESSDATA_PREFIX%\spa.traineddata"

• Si no existe, apunta TESSDATA_PREFIX al directorio correcto o copia spa.traineddata en el directorio tessdata del proyecto.

2. Error nativo Invalid memory access (JNA / DLLs) o excepciones nativas:

   • Causa típica: las DLLs nativas de Tesseract/Leptonica no están en PATH, o la arquitectura (x86 vs x64) no coincide con la JVM.
   • Pasos:
     1. Verifica where tesseract para confirmar la instalación nativa.
     2. Verifica java -version y %PROCESSOR_ARCHITECTURE% para comparar arquitecturas.
     3. Si no tienes Tesseract instalado, instala una build para Windows (ej.: UB-Mannheim) y añade su bin al PATH.
     4. Reinicia el terminal/IDE después de modificar PATH.

3. Advertencia SLF4J (No SLF4J providers were found):

   • Ya añadimos slf4j-simple en pom.xml para evitar la advertencia en ejecución.

4. Si un archivo ya estaba trackeado por Git y ahora lo quieres ignorar (ej.: .idea/), debes eliminarlo del índice primero:

git rm -r --cached .idea
git commit -m "Remove .idea from repo and ignore globally"

Nota sobre librerías nativas y distribución portable

• El JAR resultante empaqueta dependencias Java, pero las DLLs nativas de Tesseract NO quedan dentro del JAR. Para una distribución portable en Windows puedes crear un ZIP que incluya:
  • JavaOCR-<versión>.jar
  • carpeta tessdata/ completa
  • la carpeta bin/ con los DLLs nativos de Tesseract (desde una instalación Windows)
  • un script run_javaocr.bat que establezca TESSDATA_PREFIX y añada temporalmente la carpeta bin al PATH antes de ejecutar el JAR.

Ejemplo sencillo de run_portable.bat (esquema):

@echo off
set SCRIPT_DIR=%~dp0
set PATH=%SCRIPT_DIR%bin;%PATH%
set TESSDATA_PREFIX=%SCRIPT_DIR%tessdata
java -jar %SCRIPT_DIR%JavaOCR-0.0.1-SNAPSHOT.jar

Build reproducible / CI (opcional)

Si quieres compilar automáticamente en GitHub Actions, puedo añadir un workflow mínimo que ejecute mvn -DskipTests package y almacene el artifact. Dime si lo quieres y lo añado.

Contribuir

Contribuciones bienvenidas. Abre issues o pull requests en GitHub: https://github.com/juanrdzbaeza/JavaOCR

Licencia

MIT. Ver el archivo LICENSE.

Contacto

Si necesitas ayuda adicional, comenta en un issue del repo o deja un mensaje en la página del proyecto en GitHub.