利用tess4j把PDF转化为文字
前期准备
Java运行环境
在cmd输入：
JDK最好为8。
资源库
利用tess4j需要训练集和资源库，在这里我把资源库地址给写死了。
请把tessdata这个文件夹放在：E：/temp/
这个文件夹下面，没有则创建一个，仅仅手动操作这个便可以。
开始运行
在拿出Jar包，放在任意位置都可以，然后使用cmd 切换到目标地址下输入指令：
便可以运行了，然后打开：localhost：8888。访问或者使用。
原理
PDF操作
这里运用了maven，在pom文件下加入：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
| <dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>3.8.1</version>
<scope>test</scope>
</dependency>
<dependency>
<groupId>net.java.dev.jna</groupId>
<artifactId>jna</artifactId>
<version>4.2.1</version>
</dependency>
<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>4.1.1</version>
<exclusions>
<exclusion>
<groupId>com.sun.jna</groupId>
<artifactId>jna</artifactId>
</exclusion>
</exclusions>
</dependency>
|
这样便引入了对PDF的依赖，然后在后端的控制层加入：@RequestParam(“file”) MultipartFile file 去绑定所提交的PDF文件。
然后通过将pdf分解为图片，在使用tess4j去识别图片：
1
2
3
4
5
6
7
8
9
10
| PDDocument doc = PDDocument.load(multipartFileToFile(file));
PDFRenderer renderer = new PDFRenderer(doc);
int pageCount = doc.getNumberOfPages();
for (int i = 0; i < pageCount; i++) {
BufferedImage image = renderer.renderImageWithDPI(i, 144);
String fn[];
fn=fileName.split("\\.");
File my=new File(filePath + "\\" + fn + "_" + (i + 1) + "." + "jpg");
ImageIO.write(image, "jpg", my);
tesspdf(my,i+1);
|
这里的tesspdf方法便是将图片转化为文字。
图像识别
在通过路劲获得了图片文件后，主要的操作方法是：
1
| tessreact.doOCR(imageFile);
|
它会读取相应的图片文件，然后进行转化，它的流程是：
1、先使用：public StringBuilder() { super(16);}，对字符串进行构建和识别，防止空串。
2、再使用：AbstractStringBuilder(int capacity) { value = new char[capacity];}，进行构建。
3、再对识别出的字符串进行拼串，为什么要这么做呢？那是因为有着:\\，这样的特殊的转义字符。具体方法如下：
1
2
3
4
5
6
7
8
9
| public AbstractStringBuilder append(String str) {
if (str == null)
return appendNull();
int len = str.length();
ensureCapacityInternal(count + len);
str.getChars(0, len, value, count);
count += len;
return this;
}
|
4、它会向tessOCR返回一个字符串表示收到，并开始构建：
1
2
3
| public String doOCR(File var1) throws TesseractException {
return this.doOCR((File)var1, (Rectangle)null);
}
|
5、从字符串的路径中找到图片：ImageIOHelper.getImageFile(var1);
6、然后通过一个方法获取到图像的格式：
1
2
3
4
5
6
7
8
9
10
11
| public static String getImageFileFormat(File var0) {
String var1 = var0.getName();
String var2 = var1.substring(var1.lastIndexOf(46) + 1);
if (var2.matches("(pbm|pgm|ppm)")) {
var2 = "pnm";
} else if (var2.matches("(jp2|j2k|jpf|jpx|jpm)")) {
var2 = "jpeg2000";
}
return var2;
}
|
7、借助ImageIO这个类，对图像进行读取：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
| public static Iterator<ImageReader>
getImageReadersByFormatName(String formatName)
{
if (formatName == null) {
throw new IllegalArgumentException("formatName == null!");
}
Iterator iter;
try {
iter = theRegistry.getServiceProviders(ImageReaderSpi.class,
new ContainsFilter(readerFormatNamesMethod,
formatName),
true);
} catch (IllegalArgumentException e) {
return Collections.emptyIterator();
}
return new ImageReaderIterator(iter);
}
|
8、可以从7看到，它返回的是迭代器，然后把这个迭代器的值转化为ImageReader
9、而这个ImageReader，已经拥有了对图片进行处理的能力，它会调用：readAll方法进行读取，主要方法是：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
| public IIOImage readAll(int imageIndex, ImageReadParam param)
throws IOException {
if (imageIndex < getMinIndex()) {
throw new IndexOutOfBoundsException("imageIndex < getMinIndex()!");
}
BufferedImage im = read(imageIndex, param);
ArrayList thumbnails = null;
int numThumbnails = getNumThumbnails(imageIndex);
if (numThumbnails > 0) {
thumbnails = new ArrayList();
for (int j = 0; j < numThumbnails; j++) {
thumbnails.add(readThumbnail(imageIndex, j));
}
}
IIOMetadata metadata = getImageMetadata(imageIndex);
return new IIOImage(im, thumbnails, metadata);
}
|
这个方法隐藏了很多细节，可以看到它返回的是IIOImage，而这个IIOImage，就是我们最终要得到的数据了。
10、然后使用doOCR方法进行字符串转化，也可看到这里填入的正是IIOImage类型的参数：
1
2
3
4
5
6
7
8
9
10
11
12
| private String doOCR(IIOImage var1, String var2, Rectangle var3, int var4) throws TesseractException {
String var5 = "";
try {
this.setImage(var1.getRenderedImage(), var3);
var5 = this.getOCRText(var2, var4);
} catch (IOException var7) {
logger.warn(var7.getMessage(), var7);
}
return var5;
}
|
·
