利用百度AI OCR图片识别,Java实现PDF中的图片转…
2019-08-16 10:56:07来源:博客园 阅读 ()
利用百度AI OCR图片识别,Java实现PDF中的图片转换成文字
序言:我们在读一些PDF版书籍的时候,如果PDF中不是图片,做起读书笔记的还好;如果PDF中的是图片的话,根本无法编辑,做起笔记来,还是很痛苦的。我是遇到过了。我们搞技术的,当然得自己学着解决现在的痛点。
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??
原文链接:https://www.cnblogs.com/werewolfBoy/p/11226025.html
如有疑问请与原作者联系
标签:
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有
上一篇:跨域配置
- 北京百度技术四面(Java中级程序员),月薪24k,已拿offer 2020-05-28
- 利用反射给对象按顺序赋值 2020-05-28
- 如何利用Spring Boot 整合微信小程序实现登录与增删改查(含 2020-05-20
- 今儿一个早起,整理了一波百度开源的 Java 项目,哎哟有点东 2020-05-16
- 从百度三轮面试拿到offer后又到阿里六轮面试,最后留在了阿 2020-04-16
IDC资讯: 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营: 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程: Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术: Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧: 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作: FrontPages Dreamweaver Javascript css photoshop fireworks Flash