使用spire.doc获取pdf中的图片，使用tesseract-ocr读取图片中的内容

76、使用spire.doc获取pdf中的图片，使用tesseract-ocr读取图片中的内容

需求：解析pdf中的图片，拿到指定的内容；

1、tesseract-ocr 简介：

ocr 含义是Optical Character Recognition，含义即视觉字符识别。而tesseract是该领域特别优秀开源的作品。

实现流程如下所示：

关于tesseract的工作模式如上图所示。假设现在有一个图片输入，整个执行流程为：
1:输入（一张图片）
2:有用信息提取（比如一个图片上只有一个字，那其他留白的是无用，这个字上每个色素是有效的并且相关）
3:找出文字/线条
4:字符分类集
5:输入与分类集对比找出最接近的
6:输出识别结果

2、安装tessearact

下载连接如下所示：

安装连接：https://digi.bib.uni-mannheim.de/tesseract/

尽量不要下载dev(开发中的版本)，alpha(内部测试版,一般不向外部发布,会有很多Bug)，beta(公测版本，即针对所有用户公开的测试版本)等版本。

出现一堆下载失败（语言包下载有问题，挂了之后可以正常下载了）

一直确定，直到安装成功

可以去github上下载语言安装包，然后放置到tessdata文件夹下面

地址：https://gitcode.net/mirrors/tesseract-ocr/tessdata?utm_source=csdn_github_accelerator

挂了之后，下载如下所示

配置环境变量

打开cmd窗口，输入 tesseract -v显示版本号，即成功

查看安装的语言包

在cmd中输入tesseract --list-langs回车，若显示版本号即为安装成功。

安装失败：

失败原因：Please make sure the TESSDATA_PREFIX environment variable is set to your “tessdata“ directory.

新增环境变量：TESSDATA_PREFIX 值：D:\Tesseract-OCR\tessdata （安装路径）

cmd窗口重新运行，即可成功显示语言

解析ocr 代码

import java.io.*;
import java.util.ArrayList;
import java.util.List;

/**
 * 调用ocr
 *
 * @author LZH
 * @version 1.0
 * @date 2023/04/03 15:12:51
 */
public class OCRUtil {
    private final String LANG_OPTION = "-l";  //英文字母小写l，并非阿拉伯数字1
    private final String EOL = System.getProperty("line.separator");
    private String tessPath = "D://Tesseract-OCR";//ocr的安装路径


    public OCRUtil(String tessPath,String transFileName){
        this.tessPath=tessPath;
    }

    //OCRUtil的构造方法,默认路径是"C://Program Files (x86)//Tesseract-OCR"
    public OCRUtil(){     }

    public String getTessPath() {
        return tessPath;
    }
    public void setTessPath(String tessPath) {
        this.tessPath = tessPath;
    }
    public String getLANG_OPTION() {
        return LANG_OPTION;
    }
    public String getEOL() {
        return EOL;
    }

    //可以自定义语言
    public String recognizeText(File imageFile)throws Exception{
        return ocrImages(imageFile);
    }
    

        /**
     * @param imageFile
     * @return 识别后的内容
     * @throws IOException
     * @throws InterruptedException
     */
    private String ocrImages(File imageFile) throws IOException, InterruptedException{

//        //设置输出文件的保存的文件目录,以及文件名
        File outputFile = new File(imageFile.getParentFile(),"test");
        StringBuffer strB = new StringBuffer();
//
//
        //设置命令行内容
        List<String> cmd = new ArrayList<String>();
//        if(OS.isWindowsXP()){
//            cmd.add(tessPath+"//tesseract");
//        }else if(OS.isLinux()){
//            cmd.add("tesseract");
//        }else{
            cmd.add(tessPath+"//tesseract");
//        }
        cmd.add(imageFile.getName());
        cmd.add(outputFile.getName());
        cmd.add(LANG_OPTION);
        cmd.add("chi_sim");//中文包
        cmd.add("equ");//常用数学公式包
        cmd.add("eng");//英语包
//
//
//        //创建操作系统进程
        ProcessBuilder pb = new ProcessBuilder();
        pb.directory(imageFile.getParentFile().getAbsoluteFile());//设置此进程生成器的工作目录
//        cmd.set(1, tempImage.getName());
//        cmd.set(1, imageFile.getName());
        pb.command(cmd);//设置要执行的cmd命令
        pb.redirectErrorStream(true);//设置后续子进程生成的错误输出都将与标准输出合并

        long startTime = System.currentTimeMillis();
        System.out.println("开始时间：" + startTime);

        Process process = pb.start();//开始执行，并返回进程实例
//        Runtime runtime = Runtime.getRuntime();
//        Process process = runtime.exec("D:\\Tesseract-OCR\\tesseract D:\\提取的图片\\图片-1.png D:\\提取的图片\\test -l chi_sim+equ+eng");
        //最终执行命令为：tesseract 1.png test -l chi_sim+equ+eng
//        long startTime = System.currentTimeMillis();
//        System.out.println("开始时间：" + startTime);
        int w = process.waitFor();
//        tempImage.delete();//删除临时正在工作文件
        if(w==0){ // 0代表正常退出
            BufferedReader in = new BufferedReader(new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath()+".txt"),"UTF-8"));
            String str;
            while((str = in.readLine())!=null){
                if (str.contains("号")||str.contains(":")){
                    strB.append(str).append(EOL).append(";");
                }else {
                    strB.append(str).append(EOL);
                }

            }
            in.close();

            long endTime = System.currentTimeMillis();
            System.out.println("结束时间：" + endTime);
            System.out.println("耗时：" + (endTime - startTime) + "毫秒");

        }else{
            String msg;
            switch(w){
                case 1:
                    msg = "Errors accessing files.There may be spaces in your image's filename.";
                    break;
                case 29:
                    msg = "Cannot recongnize the image or its selected region.";
                    break;
                case 31:
                    msg = "Unsupported image format.";
                    break;
                default:
                    msg = "Errors occurred.";
            }
            outputFile.delete();
            throw new RuntimeException(msg);
        }
//        new File(outputFile.getAbsolutePath()+".txt");//.delete();
        outputFile.delete();
        return strB.toString().replaceAll("\\s*", "");
    }
}

把文件转换成pdf，然后解析其中内容

  public static void main(String[] args) throws Exception {
        //        提取pdf中的图片
//        创建 PdfDocument 类的对象
        PdfDocument doc = new PdfDocument();

        //载入PDF文档
        doc.loadFromFile("D:\\test\\1.pdf");

        //声明一个int变量
        int index = 0;
//
        String filePath = "D:/提取的图片/图片-";
//        //循环遍历所有页面
        for (PdfPageBase page : (Iterable<PdfPageBase>) doc.getPages()) {

            //从页面中提取图片
            for (BufferedImage image : page.extractImages()) {

                //指定文件路径和文件名
                File output = new File("D:/提取的图片/" + String.format("图片-%d.png", index++));

                //将图片保存为PNG文件
                ImageIO.write(image, "PNG", output);
            }
            if (index >1 )
                break;
        }

        try {
            //图片文件：此图片是需要被识别的图片路径
            File file = new File(filePath+"1.png");
            String recognizeText = new OCRUtil().recognizeText(file);
            System.out.print(recognizeText + "\t");
        } catch (Exception e) {
            e.printStackTrace();
        }
    }