利用百度AI OCR图片识别，Java实现PDF中的图片转换成文字

一. 现状

为了不重复造轮子，当然得看看现在市面上是否有已经实现过的，如果有，那自然是拿来即用。

首先，说说一些在线版的PDF图片转文字，对文件大小有限制为2M(似乎有很多的文件处理都是限制在这个数)，超过了便要收费了。

第二，那就是WPS的PDF图片转文字了。别说大小限制了，直接是收费。

二. 方案实现

2.1 百度AI平台 获取AppID, API Key, Secret Key

该平台限制调用次数， 作为个人开发者来说，基本上是够用了。

Java SDK文档使用说明: https://ai.baidu.com/docs#/OCR-Java-SDK/top

不清楚的，可以去看文档。

2.2 代码实现

逻辑思路： 读取PDF文件，然后读取PDF中包含的图片，将图片传给百度AI平台去进行识别，返回结果解析。

第一步：新建一个Demo的Maven工程

省略....（相信大家都会哈）🙈🙉

第二步：引入POM

<?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 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.example</groupId>
<artifactId>demo</artifactId>
<version>0.0.1-SNAPSHOT</version>
<name>demo</name>
<description>
Demo project for pdf图片转换文字
喜欢的微信关注公众号：Java技术干货
</description>

<properties>
<java.version>1.8</java.version>
</properties>

<dependencies>
<dependency><!--百度AI SDK-->
<groupId>com.baidu.aip</groupId>
<artifactId>java-sdk</artifactId>
<version>4.8.0</version>
</dependency>
<dependency><!--PDF操作工具包-->
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox-app</artifactId>
<version>2.0.16</version>
</dependency>
</dependencies>
</project>

第三步：新建一个带有main方法的类

package com.example.demo;

import com.baidu.aip.ocr.AipOcr;
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.pdmodel.*;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.text.PDFTextStripper;
import org.json.JSONObject;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.*;
import java.nio.ByteBuffer;
import java.text.SimpleDateFormat;
import java.util.*;
import java.util.concurrent.atomic.AtomicInteger;

public class DemoApplication {
//设置APPID/AK/SK
public static final String APP_ID = "你的APP_ID";
public static final String API_KEY = "你的API_KEY";
public static final String SECRET_KEY = "你的SECRET_KEY ";
public static final String DATE_FORMAT = "yyyy-MM-dd HH:mm:ss";

/**
* 解析pdf文档信息
*
* @param pdfPath pdf文档路径
* @throws Exception
*/
public static void pdfParse(String pdfPath) throws Exception {
InputStream input = null;
File pdfFile = new File(pdfPath);
PDDocument document = null;
try {
input = new FileInputStream(pdfFile);
//加载 pdf 文档
document = PDDocument.load(input);

/** 文档属性信息 **/
PDDocumentInformation info = document.getDocumentInformation();
System.out.println("标题:" + info.getTitle());
System.out.println("主题:" + info.getSubject());
System.out.println("作者:" + info.getAuthor());
System.out.println("关键字:" + info.getKeywords());

System.out.println("应用程序:" + info.getCreator());
System.out.println("pdf 制作程序:" + info.getProducer());

System.out.println("作者:" + info.getTrapped());

System.out.println("创建时间:" + dateFormat(info.getCreationDate()));
System.out.println("修改时间:" + dateFormat(info.getModificationDate()));

//获取内容信息
PDFTextStripper pts = new PDFTextStripper();
String content = pts.getText(document);
System.out.println("内容:" + content);

/** 文档页面信息 **/
PDDocumentCatalog cata = document.getDocumentCatalog();
PDPageTree pages = cata.getPages();
System.out.println(pages.getCount());
int count = 1;

// 初始化一个AipOcr
AipOcr client = new AipOcr(APP_ID, API_KEY, SECRET_KEY);

// 可选：设置网络连接参数
client.setConnectionTimeoutInMillis(2000);
client.setSocketTimeoutInMillis(60000);

for (int i = 0; i < pages.getCount(); i++) {
PDPage page = (PDPage) pages.get(i);
if (null != page) {
PDResources res = page.getResources();
Iterable xobjects = res.getXObjectNames();
if(xobjects != null){
Iterator imageIter = xobjects.iterator();
while(imageIter.hasNext()){
COSName key = (COSName) imageIter.next();
if (res.isImageXObject(key)) {
try {
PDImageXObject image = (PDImageXObject) res.getXObject(key);
BufferedImage bimage = image.getImage();
// 将BufferImage转换成字节数组
ByteArrayOutputStream out =new ByteArrayOutputStream();
ImageIO.write(bimage,"png",out);//png 为要保存的图片格式
byte[] barray = out.toByteArray();
out.close();
// 发送图片识别请求
JSONObject json = client.basicGeneral(barray, new HashMap<String, String>());
System.out.println(json.toString(2));
count++;
System.out.println(count);
} catch (Exception e) {
}
}
}
}
}
}
} catch (Exception e) {
throw e;
} finally {
if (null != input)
input.close();
if (null != document)
document.close();
}
}

/**
* 获取格式化后的时间信息
*
* @param dar 时间信息
* @return
* @throws Exception
*/
public static String dateFormat(Calendar calendar) throws Exception {
if (null == calendar)
return null;
String date = null;
try {
String pattern = DATE_FORMAT;
SimpleDateFormat format = new SimpleDateFormat(pattern);
date = format.format(calendar.getTime());
} catch (Exception e) {
throw e;
}
return date == null ? "" : date;
}

public static void main(String[] args) throws Exception {

// 读取pdf文件
String path = "C:\\Users\\fl\\Desktop\\a.pdf";
pdfParse(path);

}

}

第四步：识别结果对比

样例1：封面识别

识别前：

识别后：

样例2：正文识别

识别前：

识别后：

三. 总结

花一两个小时，把这一块儿的功能熟悉了一下，看了一下结果还是很满意的，虽然缺少了一些格式。但是能够把文字识别出来，就避免了手动再去敲一次。提高了读书做笔记的效率。

喜欢的朋友们可以点个关注或喜欢💝