PDF转成图片并识别成文字输出记录java代码

康康爹

已于 2023-10-10 08:35:58 修改

阅读量549

点赞数

文章标签： pdf java python

于 2023-10-09 09:46:23 首次发布

本文链接：https://blog.csdn.net/omangguobuding1/article/details/133694760

版权

package com.example.demo.Image;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.apache.pdfbox.pdmodel.PDDocument;

import org.apache.pdfbox.rendering.PDFRenderer;
import org.apache.pdfbox.rendering.ImageType;



import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

public class PdfImageToText {
    public static void main(String[] args) {
        try {
            // 载入PDF文件
            PDDocument document = PDDocument.load(new File("D:\\foucus\\img\\01.pdf"));

            // 创建Tesseract实例
            ITesseract tesseract = new Tesseract();


            // 设置Tesseract OCR数据文件的路径（根据您的安装位置）
            tesseract.setDatapath("D:\\foucus\\tessdata-main\\");
            // 指定要识别的语言（中文）
            tesseract.setLanguage("chi_sim");


            // 创建PDF渲染器
            PDFRenderer pdfRenderer = new PDFRenderer(document);

            for (int page = 0; page < document.getNumberOfPages(); ++page) {
                // 渲染PDF页为图像
                BufferedImage bufferedImage = pdfRenderer.renderImageWithDPI(page, 300, ImageType.RGB);

                // 使用Tesseract进行OCR识别
                String text = tesseract.doOCR(bufferedImage);

                // 输出识别的文本
                System.out.println("Page " + (page + 1) + " 识别的文本: \n" + text);
            }

            // 关闭PDF文档
            document.close();
        } catch (IOException | TesseractException e) {
            e.printStackTrace();
        }
    }
}

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <parent>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-parent</artifactId>
        <version>3.1.4</version>
        <relativePath/> <!-- lookup parent from repository -->
    </parent>
    <groupId>com.example</groupId>
    <artifactId>demo</artifactId>
    <version>0.0.1-SNAPSHOT</version>
    <name>demo</name>
    <description>demo</description>
    <properties>
        <java.version>17</java.version>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>5.8.0</version> <!-- 请检查最新版本 -->
        </dependency>
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.29</version> <!-- 请检查最新版本 -->
        </dependency>

    </dependencies>

    <build>
        <plugins>
            <plugin>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-maven-plugin</artifactId>
            </plugin>
        </plugins>
    </build>

</project>

需要语言训练包

GitHub - tesseract-ocr/tessdata: Trained models with fast variant of the "best" LSTM models + legacy models

改写的代码以实现递归处理指定目录下的PDF文件，并将每个PDF文件的每个图像提取为一个文本文件，并将每个PDF的所有文本文件保存在一个单独的目录中，您需要进行一些修改。以下是修改后的Java代码示例：

public class RecursivePdfImageToText {
    public static void main(String[] args) {
        String inputDirectory = "D:\\foucus\\input"; // 指定输入目录
        String outputBaseDirectory = "D:\\foucus\\output"; // 指定输出基础目录

        // 创建Tesseract实例
        ITesseract tesseract = new Tesseract();

        // 设置Tesseract OCR数据文件的路径（根据您的安装位置）
        tesseract.setDatapath("D:\\foucus\\tessdata-main\\");
        // 指定要识别的语言（中文）
        tesseract.setLanguage("chi_sim");

        processDirectory(new File(inputDirectory), new File(outputBaseDirectory), tesseract);
    }

    private static void processDirectory(File inputDir, File outputBaseDir, ITesseract tesseract) {
        if (inputDir.isDirectory()) {
            File[] files = inputDir.listFiles();
            if (files != null) {
                for (File file : files) {
                    if (file.isDirectory()) {
                        // 递归处理子目录
                        processDirectory(file, outputBaseDir, tesseract);
                    } else if (file.isFile() && file.getName().toLowerCase().endsWith(".pdf")) {
                        // 处理PDF文件
                        processPDF(file, outputBaseDir, tesseract);
                    }
                }
            }
        }
    }

    private static void processPDF(File pdfFile, File outputBaseDir, ITesseract tesseract) {
        try {
            // 创建输出目录
            String pdfName = pdfFile.getName().replace(".pdf", "");
            File pdfOutputDir = new File(outputBaseDir, pdfName);
            pdfOutputDir.mkdirs();

            // 读取PDF文件
            PDDocument document = PDDocument.load(pdfFile);
            PDFRenderer pdfRenderer = new PDFRenderer(document);

            for (int page = 0; page < document.getNumberOfPages(); ++page) {
                // 渲染PDF页为图像
                BufferedImage bufferedImage = pdfRenderer.renderImageWithDPI(page, 300, ImageType.RGB);

                // 使用Tesseract进行OCR识别
                String text = tesseract.doOCR(bufferedImage);

                // 输出识别的文本
                System.out.println("Page " + (page + 1) + " 识别的文本: \n" + text);

                // 指定要保存文本的文件路径
                String outputFilePath = new File(pdfOutputDir, "page_" + (page + 1) + ".txt").getAbsolutePath();

                // 将识别到的文本保存到文本文件
                try (FileWriter writer = new FileWriter(outputFilePath)) {
                    writer.write(text);
                    System.out.println("识别的文本已保存到: " + outputFilePath);
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }

            // 关闭PDF文档
            document.close();
        } catch (IOException | TesseractException e) {
            e.printStackTrace();
        }
    }
}

指定每个目录生成，每个目录中的内容生成一个txt文件

package com.example.demo.Image;

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.rendering.PDFRenderer;
import org.apache.pdfbox.rendering.ImageType;

import java.awt.image.BufferedImage;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;

public class ExtractPdfTextToSingleTxt {
    public static void main(String[] args) {
        // 指定要处理的根目录
        String rootDirectory1 = "D:\\foucus\\input\\f1";  // 请替换成您的目录路径 31
        processDirectory(new File(rootDirectory1));
        // 指定要处理的根目录
        String rootDirectory2 = "D:\\foucus\\input\\f2";  // 请替换成您的目录路径
        processDirectory(new File(rootDirectory2));
        // 指定要处理的根目录
        String rootDirectory3 = "D:\\foucus\\input\\f3";  // 请替换成您的目录路径
        processDirectory(new File(rootDirectory3));
    }

    private static void processDirectory(File directory) {
        File[] files = directory.listFiles();
        if (files != null) {
            for (File file : files) {
                if (file.isDirectory()) {
                    // 如果是子目录，递归处理
                    processDirectory(file);
                } else if (file.isFile() && file.getName().toLowerCase().endsWith(".pdf")) {
                    // 如果是PDF文件，提取文字并保存到txt文件
                    extractPdfTextToTxt(file, directory.getName());
                }
            }
        }
    }

    private static void extractPdfTextToTxt(File pdfFile, String directoryName) {
        try {
            // 载入PDF文件
            PDDocument document = PDDocument.load(pdfFile);

            // 创建Tesseract实例
            ITesseract tesseract = new Tesseract();
            // 设置Tesseract OCR数据文件的路径（根据您的安装位置）
            tesseract.setDatapath("D:\\foucus\\tessdata-main\\");
            // 指定要识别的语言（中文）
            tesseract.setLanguage("chi_sim");

            // 创建PDF渲染器
            PDFRenderer pdfRenderer = new PDFRenderer(document);

            StringBuilder textContent = new StringBuilder();

            for (int page = 0; page < document.getNumberOfPages(); ++page) {
                // 渲染PDF页为图像
                BufferedImage bufferedImage = pdfRenderer.renderImageWithDPI(page, 300, ImageType.GRAY);

                // 使用Tesseract进行OCR识别
                String text = tesseract.doOCR(bufferedImage);

                // 将识别的文本追加到内容中
                textContent.append("Page ").append(page + 1).append(" 识别的文本:\n").append(text).append("\n");
            }

            // 关闭PDF文档
            document.close();

            // 构建txt文件路径，以目录名称作为文件名
            String txtFileName = directoryName + ".txt";
            String txtFilePath = new File(pdfFile.getParent(), txtFileName).getAbsolutePath();

            // 将所有页面的文字内容保存到txt文件中
            try (FileWriter writer = new FileWriter(txtFilePath,true)) {
                writer.write(textContent.toString());
                System.out.println("PDF文本已保存到: " + txtFilePath);
            } catch (IOException e) {
                e.printStackTrace();
            }

        } catch (IOException | TesseractException e) {
            e.printStackTrace();
        }
    }
}