Java 使Tess4J从PDF文件中获取图像

如何使Tess4J从PDF文件中获取图像

我正在使用OCR（Tess4J）将图像文件转换为文本。它的作品很好，我已经测试的形象，它是伟大的

File imageFile = new File("D:\\HEAD2.png");
Tesseract instance = Tesseract.getInstance();  // JNA Interface Mapping
// Tesseract1 instance = new Tesseract1(); // JNA Direct Mapping

try {
    String result = instance.doOCR(imageFile);
    System.out.println(result);
} catch (TesseractException e) {
    System.err.println(e.getMessage());
}

但我面临着这个问题。我会解析一个包含图像的pdf文件。我不知道该怎么做，也没有找到任何带有pdf的Tess4J示例

我用Asprise测试了这个例子，但在Tess4J上没有找到这样的例子

import com.asprise.util.pdf.PDFReader;
import com.asprise.util.ocr.OCR;

PDFReader reader = new PDFReader(new File("my.pdf"));
reader.open(); // open the file. 
int pages = reader.getNumberOfPages();

for(int i=0; i < pages; i++) {
   BufferedImage img = reader.getPageAsImage(i);

   // recognizes both characters and barcodes
   String text = new OCR().recognizeAll(image);
   System.out.println("Page " + i + ": " + text); 
}

reader.close(); // finally, close the file.

import com.asprise.util.pdf.PDFReader；
导入com.asprise.util.ocr.ocr；
PDFReader reader=newpdfreader（新文件（“my.pdf”）；
reader.open（）；//打开文件。
int pages=reader.getNumberOfPages（）；
对于（int i=0；i

像处理图像一样使用它。

Tess4j依赖于pdfbox，因此您可以使用此库。可能是这样的：

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.rendering.ImageType;
import org.apache.pdfbox.rendering.PDFRenderer;

PDDocument document = PDDocument.load(new File("YOUR_PDF_FILE_PATH"));
PDFRenderer pdfRenderer = new PDFRenderer(document);

ITesseract tesseract = new Tesseract();

tesseract.setDatapath("tessdata");
tesseract.setLanguage("spa");

for (int page = 0; page < document.getNumberOfPages(); page++) {
    BufferedImage bufferedImage = pdfRenderer.renderImageWithDPI(page, 300, ImageType.RGB);

    try {
        String str = tesseract.doOCR(bufferedImage);
        System.out.println(str);
    } catch (TesseractException ex) {
        Logger.getLogger(OCR.class.getName()).log(Level.SEVERE, null, ex);
    }
}
document.close();

import net.sourceforge.tess4j.ITesseract；
导入net.sourceforge.tess4j.Tesseract；
导入net.sourceforge.tess4j.TesseractException；
导入org.apache.pdfbox.pdmodel.PDDocument；
导入org.apache.pdfbox.rendering.ImageType；
导入org.apache.pdfbox.rendering.PDFRenderer；
PDDocument document=PDDocument.load（新文件（“您的PDF文件路径”）；
PDFRenderer PDFRenderer=新的PDFRenderer（文件）；
ITesseract tesseract=新的tesseract（）；
setDatapath（“tesseract”）；
tesseract.setLanguage（“spa”）；
对于（int page=0；page

我在这里使用的是Tessj4.5和pdf box 2.0。 你也可以查一下

---

.

这段代码实际上很好，但在我的目录中，创建PDF文件图像的位置是。是否有必要？对于具有多个页面的大型PDF，它可能会将图像保存到磁盘以节省一些内存。我目前不知道如何绕过这一点。但是你可以在以后删除那些.pdf文件。