java

关注公众号 jb51net

关闭
首页 > 软件编程 > java > SpringBoot实现PDF内容识别

SpringBoot+OCR实现PDF内容识别的示例代码

作者：北执南念

在SpringBoot中,您可以结合OCR库来实现对PDF文件内容的识别和提取,本文就来介绍一下如何使用 Tesseract 和 pdf2image 对 PDF 文件进行OCR识别和提取,具有一定的参考价值,感兴趣的可以了解一下

一、SpringBoot+OCR对pdf文件内容识别提取

1、在 Spring Boot 中，您可以结合 OCR（Optical Character Recognition）库来实现对 PDF 文件内容的识别和提取。

一种常用的 OCR 库是 Tesseract，而 pdf2image 是一个用于将 PDF 转换为图像的工具，可以与 Tesseract 配合使用。

以下是一个简单的 Spring Boot 示例，演示如何使用 Tesseract 和 pdf2image 对 PDF 文件进行 OCR 识别和提取：

在您的 Spring Boot 项目中，添加以下依赖：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter</artifactId>
</dependency>
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.30</version> <!-- 使用最新版本 -->
</dependency>
<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.5</version> <!-- 使用最新版本 -->
</dependency>
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox-tools</artifactId>
    <version>2.0.30</version> <!-- 使用最新版本 -->
</dependency>
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox-debugger</artifactId>
    <version>2.0.30</version> <!-- 使用最新版本 -->
</dependency>
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox-app2</artifactId>
    <version>2.0.30</version> <!-- 使用最新版本 -->
</dependency>
<dependency>
    <groupId>org.bouncycastle</groupId>
    <artifactId>bcprov-jdk15on</artifactId>
    <version>1.68</version> <!-- 使用最新版本 -->
</dependency>

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.tools.PDFToImage;
import org.springframework.stereotype.Service;

import java.awt.image.BufferedImage;
import java.io.File;
import java.util.ArrayList;
import java.util.List;

@Service
public class OCRService {

    public String extractTextFromPDF(String pdfFilePath) {
        try {
            // Convert PDF to images
            List<BufferedImage> images = convertPDFToImages(pdfFilePath);

            // Use OCR to extract text from images
            StringBuilder extractedText = new StringBuilder();
            for (BufferedImage image : images) {
                extractedText.append(performOCR(image)).append("\n");
            }

            return extractedText.toString();
        } catch (Exception e) {
            e.printStackTrace();
            return "Error extracting text from PDF.";
        }
    }

    private List<BufferedImage> convertPDFToImages(String pdfFilePath) throws Exception {
        List<BufferedImage> images = new ArrayList<>();

        try (PDDocument document = PDDocument.load(new File(pdfFilePath))) {
            PDFToImage pdfToImage = new PDFToImage();
            pdfToImage.setStartPage(1);
            pdfToImage.setEndPage(document.getNumberOfPages());
            pdfToImage.setOutputPrefix("outputImage");

            pdfToImage.processPages(document);
            for (int i = 1; i <= document.getNumberOfPages(); i++) {
                BufferedImage image = pdfToImage.getImage(i - 1);
                images.add(image);
            }
        }

        return images;
    }

    private String performOCR(BufferedImage image) throws Exception {
        ITesseract tesseract = new Tesseract();
        return tesseract.doOCR(image);
    }
}

在这个例子中，OCRService 类包含了两个方法。convertPDFToImages 方法将 PDF 文件转换为图像，而 performOCR 方法使用 Tesseract 对图像执行 OCR。最后，extractTextFromPDF 方法将这两个步骤结合在一起，对 PDF 中的每个页面执行 OCR，并返回提取的文本。

请注意，为了使这个示例运行，您需要在系统上安装 Tesseract OCR，并配置其环境变量，以便 Java 可以找到 Tesseract 的执行文件。此外，也需要配置 pdf2image 的相关依赖。

以上代码示例仅供参考，实际项目中可能需要根据具体情况进行适当的调整和优化。

2、Tesseract OCR

Tesseract OCR 是一个开源的光学字符识别引擎，由 Google 开发和维护。它能够识别图像中的文本并将其转换为可编辑的文本格式。以下是一些关于 Tesseract OCR 的关键信息：

主要特点：

如何使用 Tesseract OCR：

Tess4J（Java API for Tesseract）：

Tess4J 是 Tesseract 的 Java 封装库，它允许您在 Java 应用程序中使用 Tesseract OCR。以下是一个简单的 Java 示例：

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import java.io.File;

public class TesseractExample {

    public static void main(String[] args) {
        ITesseract tesseract = new Tesseract();
        try {
            File imageFile = new File("path/to/your/image.png");
            String result = tesseract.doOCR(imageFile);
            System.out.println("OCR Result:\n" + result);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

确保您在项目中添加了 Tess4J 的依赖：

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.5</version> <!-- 使用最新版本 -->
</dependency>

此示例演示了如何使用 Tess4J 从图像文件中提取文本。请根据您的实际需求进行适当的配置和扩展。

3、SpringBoot+pdf2image

在Spring Boot中使用pdf2image库进行PDF到图像的转换通常涉及以下几个步骤：

二、SpringBoot+OCR对pdf文件内指定区域的内容识别提取

在Spring Boot中使用OCR对PDF文件的指定区域进行内容识别和提取，您需要结合PDF处理库和OCR库。以下是一个基本的步骤，其中使用了Apache PDFBox作为PDF处理库，Tesseract作为OCR库。

1. 添加 Maven 依赖：

<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter</artifactId>
    </dependency>
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>pdfbox</artifactId>
        <version>2.0.30</version>
    </dependency>
    <dependency>
        <groupId>net.sourceforge.tess4j</groupId>
        <artifactId>tess4j</artifactId>
        <version>4.5.5</version>
    </dependency>
    <!-- 其他可能需要的依赖 -->
</dependencies>

2. 编写服务类：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import org.springframework.stereotype.Service;

import java.awt.Rectangle;
import java.io.File;
import java.io.IOException;

@Service
public class PdfOcrService {

    public String extractTextFromPdfRegion(String pdfFilePath, Rectangle region) {
        try {
            PDDocument document = PDDocument.load(new File(pdfFilePath));
            PDFTextStripper pdfStripper = new PDFTextStripper();
            pdfStripper.setSortByPosition(true);

            String pdfText = pdfStripper.getText(document);
            String extractedText = performOCR(pdfText, region);

            document.close();
            return extractedText;
        } catch (IOException e) {
            e.printStackTrace();
            return "Error extracting text from PDF.";
        }
    }

    private String performOCR(String pdfText, Rectangle region) {
        ITesseract tesseract = new Tesseract();
        String extractedText = "";
        try {
            extractedText = tesseract.doOCR(pdfText, region);
        } catch (Exception e) {
            e.printStackTrace();
        }
        return extractedText;
    }
}

3. 使用服务类：

import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.PathVariable;
import org.springframework.web.bind.annotation.RestController;

import java.awt.Rectangle;

@RestController
public class PdfOcrController {

    @Autowired
    private PdfOcrService pdfOcrService;

    @GetMapping("/extractText/{pdfFileName}")
    public String extractTextFromPdfRegion(@PathVariable String pdfFileName) {
        String pdfFilePath = "path/to/pdf/files/" + pdfFileName + ".pdf";
        
        // Define the region you want to extract (x, y, width, height)
        Rectangle region = new Rectangle(100, 100, 300, 200);

        return pdfOcrService.extractTextFromPdfRegion(pdfFilePath, region);
    }
}

在上述代码中，PdfOcrService 类加载PDF文档并使用PDFBox提取文本。然后，它调用performOCR 方法，该方法使用Tesseract OCR库对指定区域的文本进行识别。

请注意，这只是一个基本示例，您可能需要根据实际需求进行调整。确保在生产环境中处理异常和错误，以确保应用程序的稳定性。

到此这篇关于SpringBoot+OCR实现PDF内容识别的示例代码的文章就介绍到这了,更多相关SpringBoot实现PDF内容识别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！

您可能感兴趣的文章:
阅读全文