Java实现PDF文字内容识别，结合OCR实现PDF图片实现

使用插件：UMI-OCR、PDFBOX

实现思路：通过PDFBOX识别PDF文字，如果是图片，则识别不出来，再调用OCR进行识别返回文字；OCR识别较慢，长图识别不出来，目前HTTP方式只支持图片格式，还需使用PDFBOX要将每一页PDF转换为图片再进行识别拼接。

UMI-OCR下载地址：https://github.com/hiroi-sora/Umi-OCR/releases/latest

git仓库地址:GitHub - hiroi-sora/Umi-OCR: OCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。

下载后直接在WIN系统安装（目前只支持WIN系统），安装包内含PaddleOCR-json，无需再进行下载；安装启动，设置HTTP请求参数

全局设置 --> 高级 --> 允许HTTP服务：

主机设置为：任何可用地址

端口：自己设置

PDFBOX MAVEN版本配置：

 <!-- PDF文档处理 -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.8</version>
        </dependency>

代码实现文字识别：

String text = "";
        try {
            PDDocument pdDocument = PDDocument.load(image.getInputStream());
            PDFTextStripper pdfTextStripper = new PDFTextStripper();
            //读取pdf中所有的文件
            //前端HTML不识别><,需要进行更换
            text = pdfTextStripper.getText(pdDocument);
            text = text.replace(" ", "")
                    .replace("\r", "")
                    .replace("\t", "")
                    .replace("\n", "");
            if (StrUtil.isNotEmpty(text)){
                text = text.replace("<","&lt;").replace(">","&gt;");
            }else{
                /**
                 * 如果没有识别到文字，
                 * 则转成图片
                 * 进行OCR识别获取文本
                 */
                text = uploadPDF2OcrGetText(accessUrl, image);
            }
        }catch (IOException e){
            log.error(e.getMessage());
        }

如果文档里面含有"<"">"，前端HTML不识别，则需要进行转换

uploadPDF2OcrGetText：

    /**
     * 上传图片文件至OCR
     * @param accessUrl 访问地址
     * @param image 图片文件
     * @return
     */
    public static String uploadPDF2OcrGetText(String accessUrl, MultipartFile image) {
        List<ByteArrayOutputStream> list = getStreamList(image);
        StringBuilder sb = new StringBuilder();
        if (list != null && !list.isEmpty()){
            for (ByteArrayOutputStream outputStream : list) {
                String str = getData(accessUrl, outputStream);
                if (StrUtil.isNotEmpty(str)){
                    sb.append(str);
                }
            }
        }
        return sb.toString();
    }

将PDF转为图片流方法getStreamList：

    /**
     * PDFBOX将PDF转成png流
     * @param file 图片文件
     * @return List
     */
    public static List<ByteArrayOutputStream> getStreamList(MultipartFile file) {
        List<ByteArrayOutputStream> list = new ArrayList<>();
        try{
            PDDocument pdf = PDDocument.load(file.getInputStream());
            PDFRenderer renderer = new PDFRenderer(pdf);
            int pageCount = pdf.getNumberOfPages();
            for (int i = 0; i < pageCount; i++){
                BufferedImage image = renderer.renderImageWithDPI(i, 120);//120为DPI根据自己设置
                ByteArrayOutputStream bas = new ByteArrayOutputStream();
                ImageIO.write(image, "png", bas);
                list.add(bas);
            }
        }catch (IOException e){
            log.error(e.getMessage());
        }
        return list;
    }

调用OCR识别文字方法getData：

 /**
     * 上传图片文件至OCR
     * @param accessUrl 访问地址
     * @param outputStream 图片流
     * @return
     */
    public static String getData(String accessUrl, ByteArrayOutputStream outputStream){
        //转换为Base64
        String base64Image = new String(Base64.encodeBase64(outputStream.toByteArray()));
        //如果文件属于图片则进行文件转换
        JSONObject jb = new JSONObject();
        jb.set("base64", base64Image);
        JSONObject jb1 = new JSONObject();
        jb1.set("tbpu.parser", "multi_para");
        jb1.set("data.format", "text");
        jb.set("options", jb1);
        String result2 = HttpRequest.post(accessUrl)
                .body(jb.toString())//表单内容
                .timeout(300000)//数据可能较大，超时时间调的较长
                .execute().body();
        JSONObject jsonObject = JSONUtil.parseObj(result2);
        String text = null;
        if ("100".equals(jsonObject.getStr("code"))){
            text = jsonObject.getStr("data");
        }
        return text;
    }