要不要去“佔坑”機器學習

對於我這樣一個技術人來說，一項火熱的技術，有一種由衷的熱愛。但理性讓我思考，這是不是泡沫，其本質是什麼，我要不要投入生命中最為寶貴之一的時間去學習…這些問題，我必須回答自己。 首先，機器學習是AI的一個分支，作為創造者的人來說，機器擁有智慧是多麼讓人激動的事情； 其次，機器學習是一類演算法，一種被稱為“學習演算法”，在計算機領域（或者其他）對演算法的研究始終是永恆的話題； 再者，當今人類活動速度之快，我認為急需要一種較為智慧的機器來做更多一些繁瑣、不是那麼簡單的事情，解放部分人； 故而，機器學習勢必會成為一種趨勢，發揮它的力量；而自己有必要為將來積蓄一定力量，應用該技術來解決些事情。

一個小應用解決的事情

原由

有人給了pdf的電子掃描檔案，大概有5、6百也，主要內容是一些條款項。結果是要將上面的文字條款提取出來錄入資料庫中儲存起來，由應用系統統一管理；

分析

一種方式是讓人抄錄上面的文字，叫幾個人，十天半個月也能搞定，這麼做得人，我必須佩服呀！ 一種是採用某種技術來處理，比如把掃描文件每一頁變為一張圖片，然後從圖片上提取文字資訊，這也是我選擇的方式。

具體實現

package identi;

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

/**

• Created with IntelliJ IDEA.

• 圖片畫素越高，那麼圖片識別度越好。 */ public class IDentifi {

  public static void main(String[] args) { int count = 162; String result = “”; File file = new File(“D:\png\file.txt”); long start = System.currentTimeMillis(); for (int i = 0; i < count; i++) { File imageFile; if (i < 10) {//根據圖片名稱規律處理 imageFile = new File(“D:\png\14114106\14114106_0” + i + “.png”); } else { imageFile = new File(“D:\png\14114106\14114106_” + i + “.png”); } if (!imageFile.exists()) { break; } Tesseract instance = new Tesseract(); //設定訓練庫的位置 instance.setDatapath(“D:\shibie\src\main\resources\tessdata”); //中文識別 instance.setLanguage(“chi_sim”); try { result = instance.doOCR(imageFile); } catch (TesseractException e) { e.printStackTrace(); } try { //追加文字模式 FileWriter fileWriter = new FileWriter(file, true); fileWriter.write(result); fileWriter.write("***********************************************************\r\n"); fileWriter.close(); } catch (Exception e) { e.printStackTrace(); } } long end = System.currentTimeMillis(); System.out.println("--------共耗時：----------" + (end - start) / 1000); } }

maven依賴： net.sourceforge.tess4j tess4j 4.0.2 net.sourceforge.jexcelapi jxl 2.6.12

總結