使用Java实现转换扫描的文档为可搜索的PDF
作者:xulihang
在上一篇文章中,我们编写了一个JavaFX的演示程序,使用Dynamsoft Service的REST API扫描文档。该演示程序可以通过TWAIN、WIA、SANE和ICA等协议用文档扫描仪扫描文档,并使用PDFBox将文档保存到PDF文件中。
在本文中,我们将扩展它的功能,让它能将扫描的文档转换为可搜索的PDF。
打开可搜索的PDF时,我们可以直接选择文本和搜索关键字。生成可搜索的PDF对于文档索引或管理系统非常有用。
如果PDF是用InDesign和Word等工具生成的,那么它的文本已经可以搜索了。但是,如果PDF包含扫描的图像,我们需要添加额外的文本覆盖层,使其可搜索。
扫描文档的OCR
我们首先需要用OCR得到扫描图像中的文字和其位置信息。有各种OCR引擎或API服务可以调用。这里,我们使用OCRSpace的免费OCR API。
1.创建相关定义。
TextLine.class
:
public class TextLine { public double left; public double top; public double width; public double height; public String text; public TextLine(double left, double top, double width, double height, String text) { this.left = left; this.top = top; this.width = width; this.height = height; this.text = text; } }
OCRResult.class
:
public class OCRResult { public ArrayList<TextLine> lines = new ArrayList<TextLine>(); }
2.创建一个OCRSpace
类,该类提供从base64编码图像获取OCR结果的静态方法。
public class OCRSpace { public static String key = ""; public static String lang = "eng"; /** * Get OCR result from a base64-encoded image in JPEG format * * @param base64 - base64-encoded image * */ public static OCRResult detect(String base64) throws IOException { OCRResult result = new OCRResult(); OkHttpClient client = new OkHttpClient.Builder() .connectTimeout(120, TimeUnit.SECONDS) .build(); RequestBody requestBody=new FormBody.Builder() .add("apikey",key) .add("language",lang) .add("base64Image","data:image/jpeg;base64,"+base64.trim()) .add("isOverlayRequired","true") .build(); Request httpRequest = new Request.Builder() .url("https://api.ocr.space/parse/image") .post(requestBody) .build(); try (Response response = client.newCall(httpRequest).execute()) { try { String json = response.body().string(); parse(json,result); } catch (IOException e) { throw new RuntimeException(e); } } return result; } private static void parse(String json,OCRResult ocrResult) throws JsonProcessingException { ObjectMapper objectMapper = new ObjectMapper(); Map<String,Object> body = objectMapper.readValue(json,new TypeReference<Map<String,Object>>() {}); List<Map<String,Object>> parsedResults = (List<Map<String, Object>>) body.get("ParsedResults"); for (Map<String,Object> parsedResult:parsedResults) { Map<String,Object> textOverlay = (Map<String, Object>) parsedResult.get("TextOverlay"); List<Map<String,Object>> lines = (List<Map<String, Object>>) textOverlay.get("Lines"); for (Map<String,Object> line:lines) { TextLine textLine = parseAsTextLine(line); ocrResult.lines.add(textLine); } } } private static TextLine parseAsTextLine(Map<String,Object> line){ String lineText = (String) line.get("LineText"); List<Map<String,Object>> words = (List<Map<String, Object>>) line.get("Words"); int minX = (int)((double) words.get(0).get("Left")); int minY = (int)((double) words.get(0).get("Top")); int maxX = 0; int maxY = 0; for (Map<String,Object> word:words) { int x = (int)((double) word.get("Left")); int y = (int)((double) word.get("Top")); int width = (int)((double) word.get("Width")); int height = (int)((double) word.get("Height")); minX = Math.min(minX,x); minY = Math.min(minY,y); maxX = Math.max(maxX,x+width); maxY = Math.max(maxY,y+height); } return new TextLine(minX,minY,maxX - minX,maxY-minY,lineText); } }
使用OKHttp用于HTTP请求,Jackson用于处理JSON。
将文本覆盖层添加到PDF页面中
创建SearchablePDFCreator
类以提供相关方法。
public class SearchablePDFCreator {}
添加addTextOverlay
方法,将文本覆盖层添加到现有的PDF页面。
/** * Add text overlay to an existing PDF page * @param contentStream - PDF content stream * @param result - OCR result * @param pageHeight - Height of the image * @param pdFont - Specify a font for evaluation of the position * @param percent - image's height / page's height */ public static void addTextOverlay(PDPageContentStream contentStream,OCRResult result, double pageHeight, PDFont pdFont,double percent) throws IOException { PDFont font = pdFont; contentStream.setFont(font, 16); contentStream.setRenderingMode(RenderingMode.NEITHER); for (int i = 0; i <result.lines.size() ; i++) { TextLine line = result.lines.get(i); FontInfo fi = calculateFontSize(font,line.text, (float) (line.width * percent), (float) (line.height * percent)); contentStream.beginText(); contentStream.setFont(font, fi.fontSize); contentStream.newLineAtOffset((float) (line.left * percent), (float) ((pageHeight - line.top - line.height) * percent)); contentStream.showText(line.text); contentStream.endText(); } } private static FontInfo calculateFontSize(PDFont font, String text, float bbWidth, float bbHeight) throws IOException { int fontSize = 17; float textWidth = font.getStringWidth(text) / 1000 * fontSize; float textHeight = font.getFontDescriptor().getFontBoundingBox().getHeight() / 1000 * fontSize; if(textWidth > bbWidth){ while(textWidth > bbWidth){ fontSize -= 1; textWidth = font.getStringWidth(text) / 1000 * fontSize; textHeight = font.getFontDescriptor().getFontBoundingBox().getHeight() / 1000 * fontSize; } } else if(textWidth < bbWidth){ while(textWidth < bbWidth){ fontSize += 1; textWidth = font.getStringWidth(text) / 1000 * fontSize; textHeight = font.getFontDescriptor().getFontBoundingBox().getHeight() / 1000 * fontSize; } } FontInfo fi = new FontInfo(); fi.fontSize = fontSize; fi.textHeight = textHeight; fi.textWidth = textWidth; return fi; }
字体大小是根据指定的字体和文字行宽度自动计算的。
添加addPage
方法,可以将文本覆盖层与图像一起添加为文档的新页面。
public static void addPage(byte[] imageBytes,OCRResult result, PDDocument document,int pageIndex,PDFont pdFont) throws IOException { ByteArrayInputStream in = new ByteArrayInputStream(imageBytes); BufferedImage bi = ImageIO.read(in); // Create a new PDF page PDRectangle rect = new PDRectangle((float) bi.getWidth(),(float) bi.getHeight()); PDPage page = new PDPage(rect); document.addPage(page); PDPageContentStream contentStream = new PDPageContentStream(document, page); PDImageXObject image = PDImageXObject.createFromByteArray(document,imageBytes,String.valueOf(pageIndex)); contentStream.drawImage(image, 0, 0); addTextOverlay(contentStream,result,bi.getHeight(),pdFont); contentStream.close(); }
让我们检查一下添加结果。
使用RenderingMode.NEITHER
将使文本图层不可见。我们可以把这一行注释掉,以看到添加上去的文字。以下是覆盖了文本的PDF文件的一个区域。我们可以看到文本与图像基本吻合。
将扫描的文档图像保存为可搜索的PDF
接下来,我们可以尝试使用我们刚刚编写的类从图像文件创建一个可搜索的PDF。
File image = new File("F://WebTWAINImage.jpg"); byte[] byteArray = new byte[(int) image.length()]; try (FileInputStream inputStream = new FileInputStream(image)) { inputStream.read(byteArray); } catch (IOException e) { throw new RuntimeException(e); } String base64 = Base64.getEncoder().encodeToString(byteArray); OCRSpace.key = "your key"; OCRResult result = OCRSpace.detect(base64); PDDocument document = new PDDocument(); SearchablePDFCreator.addPage(byteArray,result,document,0); document.save(new File("F://output.pdf")); document.close();
使用Searchable PDF Creator加强JavaFX演示程序
编辑pom.xml
,将库添加为依赖项。
<repositories> <repository> <id>jitpack.io</id> <url>https://jitpack.io</url> </repository> </repositories> <dependencies> <dependency> <groupId>com.github.tony-xlh</groupId> <artifactId>searchablePDF4j</artifactId> <version>1.0.0</version> </dependency> </dependencies>
添加复选框以在UI中启用可搜索PDF的生成。
如果选中该复选框,则通过添加文本覆盖层来生成可搜索的PDF。
PDDocument document = new PDDocument(); int index = 0; for (DocumentImage di: documentListView.getItems()) { index = index + 1; ImageView imageView = di.imageView; PDRectangle rect = new PDRectangle((float) imageView.getImage().getWidth(),(float) imageView.getImage().getHeight()); System.out.println(rect); PDPage page = new PDPage(rect); document.addPage(page); PDPageContentStream contentStream = new PDPageContentStream(document, page); PDImageXObject image = PDImageXObject.createFromByteArray(document,di.image,String.valueOf(index)); contentStream.drawImage(image, 0, 0); + if (searchablePDFCheckBox.isSelected()) { + String base64 = Base64.getEncoder().encodeToString(di.image); + OCRSpace.key = "your key"; + OCRResult result = OCRSpace.detect(base64); + SearchablePDFCreator.addTextOverlay(contentStream,result,image.getHeight()); + } contentStream.close(); } document.save(fileToSave.getAbsolutePath()); document.close();
到此这篇关于使用Java实现转换扫描的文档为可搜索的PDF的文章就介绍到这了,更多相关Java文档转换为PDF内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!