OCR识别PDF文件

1现有解析pdf的方法
使用org.apache.pdfbox读取pdf,只能读取pdf中的文字，有些纸件扫描成的pdf文字会错乱，有些字还是图片的方式显示的，导致读取的内容不全，常常会获取不到想要的数据。

2 OCR文字识别
pdf需要转换为图片，进行识别，识别率高。

2.1 调用百度接口
优点：识别率高，识别速度快

缺点：按次收费

2.2 使用开源工具读取pdf文档
2.2.1 下载工具包
https://github.com/tesseract-ocr/tessdata 下载chi_sim.traineddata，chi_sim_vert.traineddata

2.2.2 添加依赖

<dependencies>
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>4.4.0</version>
        </dependency>
 </dependencies>

2.2.3 编写程序

import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
public class TestTess {
         public static void main(String[] args) {
        // 识别图片的路径（修改为自己的图片路径）
       String path = "C:\\work\\notebook\\prototype\\target\\qq1.jpg";
       // 语言库位置（修改为跟自己语言库文件夹的路径）
      // String lagnguagePath = "C:\\work\\projects\\tess\\resources\\tessdata";
       File file = new File(path);
       ITesseract instance = new Tesseract();
       //设置训练库的位置
       //instance.setDatapath(lagnguagePath);
       //chi_sim ：简体中文， eng    根据需求选择语言库
       instance.setLanguage("chi_sim");
       String result = null;
       try {
           long startTime = System.currentTimeMillis();
           result =  instance.doOCR(file);
           long endTime = System.currentTimeMillis();
           System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
       } catch (TesseractException e) {
           e.printStackTrace();
       }
       System.out.println("result: ");
       System.out.println(result);                 
         }
}

2.3 读取pdf的特定位置的数据
2.3.1 手动截取pdf指定矩形区域的材料
需要前端配合做页面，改成自动获取，这样增加文档类型时，需要配置一下。

2.3.2 Python程序获取图片标识区域在整个文档中的矩形坐标

import aircv
def matchImg(imgsrc, imgobj, confidence=0.2):
    """
        图片对比识别imgobj在imgsrc上的相对位置（批量识别统一图片中需要的部分）
    :param imgsrc: 原始图片路径(str)
    :param imgobj: 待查找图片路径（模板）(str)
    :param confidence: 识别度（0<confidence<1.0）
    :return: None or dict({'confidence': 相似度(float), 'rectangle': 原始图片上的矩形坐标(tuple), 'result': 中心坐标(tuple)})
    """
    imsrc = aircv.imread(imgsrc)
    imobj = aircv.imread(imgobj)
    match_result = aircv.find_template(imsrc, imobj,
                                    confidence)  # {'confidence': 0.5435812473297119, 'rectangle': ((394, 384), (394, 416), (450, 384), (450, 416)), 'result': (422.0, 400.0)}
    if match_result is not None:
        match_result['shape'] = (imsrc.shape[1], imsrc.shape[0])  # 0为高，1为宽
    return match_result
template = {'address':'dz.jpg','doc_num':'fw.jpg','doc_type':'fwlx.jpg','issue_date':'fwrq.jpg',
              'int_cls': 'splb.jpg','apply_num':'sqh.jpg','applyer':'sqr.jpg','content':'zw.jpg'}
for key, value in template.items():

    orig = matchImg("target/qq.jpg","target/"+value)

    rect = orig['rectangle']

    w = rect[3][0] - rect[0][0]

    h = rect[3][1] - rect[0][1]

    x = rect[0][0]

    y = rect[0][1]

    ret = [x,y,w,h]

    print(key,ret)

2.3.3 Java程序根据矩形区域坐标，获取指定位置信息

package odysssey.tess;
import java.io.File;
import java.io.IOException;
import java.util.List;
import javax.imageio.ImageIO;
import java.awt.Rectangle;
import net.sourceforge.tess4j.ITessAPI.TessPageIteratorLevel;
import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
public class TestTess {
         public static void main(String[] args) throws IOException {
        // 识别图片的路径（修改为自己的图片路径）
       String path = "C:\\work\\notebook\\prototype\\target\\qq.jpg";
       // 语言库位置（修改为跟自己语言库文件夹的路径）
      // String lagnguagePath = "C:\\work\\projects\\tess\\resources\\tessdata";
       File file = new File(path);
       ITesseract instance = new Tesseract();
       //设置训练库的位置
       /*
                     address [61, 312, 734, 82]

                          doc_num [1002, 338, 527, 78]

                          doc_type [425, 736, 801, 82]

                          issue_date [64, 593, 495, 64]

                          int_cls [115, 969, 346, 82]

                          apply_num [676, 589, 388, 68]

                          applyer [72, 450, 481, 68]

                          content [107, 899, 1439, 70]

        */    
         int rects[][] = {{61, 312, 734, 82},

                                         {1002, 338, 527, 78},

                                            {425, 736, 801, 82},

                                            {64, 593, 495, 64},

                                            {115, 969, 346, 82},

                                            {676, 589, 388, 68},

                                            {72, 450, 481, 68},

                                            {107, 899, 1439, 70}};
         
       //chi_sim ：简体中文， eng    根据需求选择语言库

       instance.setLanguage("chi_sim");
       instance.setTessVariable("user_defined_dpi", "96");
       String result = null;
       try {
           long startTime = System.currentTimeMillis();
           //result =  instance.doOCR(file);
           for(int i = 0 ;i < rects.length;i++){
               Rectangle rr = new Rectangle(rects[i][0],rects[i][1],rects[i][2],rects[i][3]);
                    result =instance.doOCR(file, rr);
               System.out.println(result);                 
           }
    /*       List<Rectangle> resul=instance.getSegmentedRegions(ImageIO.read(file), TessPageIteratorLevel.RIL_SYMBOL);
           for (int i = 0; i < resul.size(); i++) {
               Rectangle rect = resul.get(i);
               System.out.println(String.format("Box[%d]: x=%d, y=%d, w=%d, h=%d", i, rect.x, rect.y, rect.width, rect.height));
           }
      */     long endTime = System.currentTimeMillis();
           System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
       } catch (TesseractException e) {
           e.printStackTrace();
       }
    }
}