当前位置: 首页 > news >正文

java实现 PDF中的图片文字内容识别

通过Tesseract进行OCR识别

前提:安装好Tesseract并下载好简体中文语言包,本文在Windows上验证过,需要安装包可以关注 公号  easy4java获取

1.配置maven依赖

        <!-- pdf 解析--><dependency><groupId>org.apache.pdfbox</groupId><artifactId>pdfbox</artifactId><version>2.0.1</version></dependency><dependency><groupId>org.apache.pdfbox</groupId><artifactId>fontbox</artifactId><version>2.0.0</version></dependency><dependency><groupId>org.apache.pdfbox</groupId><artifactId>jempbox</artifactId><version>1.8.11</version></dependency><dependency><groupId>org.apache.pdfbox</groupId><artifactId>xmpbox</artifactId><version>2.0.0</version></dependency><dependency><groupId>org.apache.pdfbox</groupId><artifactId>preflight</artifactId><version>2.0.0</version></dependency><dependency><groupId>org.apache.pdfbox</groupId><artifactId>pdfbox-tools</artifactId><version>2.0.0</version></dependency><!-- Tesseract OCR--><dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>4.5.4</version></dependency>

2.Java代码实现

/*** @Author:admin* @Date: 2025/4/21  15:53* @Description admin* @Version 1.0.0*/import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.Iterator;
import java.util.regex.Matcher;
import java.util.regex.Pattern;public class PDFTextRecognition {public static void main(String[] args) {try {long start = System.currentTimeMillis();// 1. 读取PDF文件PDDocument document = PDDocument.load(new File("C:\\Users\\admin\\Desktop\\test.pdf"));PDPage page = document.getPage(0);PDResources resource = page.getResources();Iterable<COSName> xobjects = resource.getXObjectNames();if (xobjects != null) {Iterator<COSName> imageItr = xobjects.iterator();while (imageItr.hasNext()) {COSName imageName = imageItr.next();boolean isImage = resource.isImageXObject(imageName);if (isImage) {PDImageXObject ixt = (PDImageXObject) resource.getXObject(imageName);// 3. 使用OCR识别图像中的文字Tesseract tesseract = new Tesseract();//从官网下载简体中文语言包tesseract.setLanguage("chi_sim");//要语言包放在安装目录下tessdata目录下tesseract.setDatapath("E:\\software\\tesseract\\tessdata"); // 设置Tesseract的语言数据文件路径//截取要识别的图片区域,减少无效区域的识别,如果有需要可以进行放大操作(提高识别的准确率)BufferedImage image = ixt.getImage();BufferedImage subImage = image.getSubimage(0, 0, 2000, 800);String text = tesseract.doOCR(subImage);extractContractNumber(text);System.out.println(text);}}}// 关闭PDF文档document.close();long end = System.currentTimeMillis();System.out.println("消费时长" + (end - start) / 1000 + "s");} catch (IOException | TesseractException e) {e.printStackTrace();}}/*** 通过正则解析识别出的内容** @param text*/public static void extractContractNumber(String text) {// 正则表达式模式Pattern supplierPattern = Pattern.compile("供\\s*方\\s*[::]\\s*(.*?)\\s*合\\s*同\\s*编\\s*号");Pattern contractNoPattern = Pattern.compile("合\\s*同\\s*编\\s*号\\s*[::]\\s*(\\w+)");Pattern buyerPattern = Pattern.compile("需\\s*方\\s*[,,]\\s*(.*?)\\s*签\\s*订\\s*日\\s*期");// 匹配供方Matcher supplierMatcher = supplierPattern.matcher(text);if (supplierMatcher.find()) {String supplier = supplierMatcher.group(1).replaceAll("\\s+", "");System.out.println("供方: " + supplier);}// 匹配合同编号Matcher contractNoMatcher = contractNoPattern.matcher(text);if (contractNoMatcher.find()) {String contractNo = contractNoMatcher.group(1);System.out.println("合同编号: " + contractNo);}// 匹配需方Matcher buyerMatcher = buyerPattern.matcher(text);if (buyerMatcher.find()) {String buyer = buyerMatcher.group(1).replaceAll("\\s+", "");System.out.println("需方: " + buyer);}}
}

相关文章:

  • Javase 基础入门 —— 02 基本数据类型
  • 联易融受邀参加上海审计局金融审计处专题交流座谈
  • 测试开发 - Java 自动化测试核心函数详解
  • 进阶算法 第一课:贪心
  • 【趣味小游戏】--扫雷游戏
  • 小雨滴的奇妙旅行
  • 纽约大学具身智能体在城市空间中的视觉导航之旅!CityWalker:从海量网络视频中学习城市导航
  • vue项目中axios统一或单独控制接口请求时间
  • ROS 快速入门教程01
  • 基于大语言模型的减肥健身计划系统设计与实现
  • 《剥开卷积神经网络CNN的 “千层酥”:从基础架构到核心算法》
  • PostgreSQL性能调优与内核优化怎么做?
  • 【算法】双指针8道速通(C++)
  • 基于ssm的“安家”儿童福利院管理系统(源码+文档)
  • Missashe考研日记-day24
  • TDengine 集群高可用方案设计(一)
  • 零基础学Python——第八章:实战项目(1-3)
  • 黑阈免激活版:智能管理后台,优化手机性能
  • 数据库对象与权限管理-视图与索引管理
  • 广东食品销售初级考试主要考什么
  • 李彦宏:DeepSeek不是万能,多模态将是未来基础模型的标配
  • 特朗普称已为俄乌问题设最后期限,届时美国态度或生变
  • 凯撒旅业:2024年营业收入约6.53亿元,同比增长12.25%
  • 漫游者秦龙,一生为经典画插图
  • 2025年一季度上海市国民经济运行情况
  • 专访|前伊核谈判顾问:伊朗不信任美国,任何核协议都会有中俄参与