1现有解析pdf的方法
使用org.apache.pdfbox读取pdf,只能读取pdf中的文字，有些纸件扫描成的pdf文字会错乱，有些字还是图片的方式显示的，导致读取的内容不全，常常会获取不到想要的数据。
2 OCR文字识别
pdf需要转换为图片，进行识别，识别率高。
2.1 调用百度接口
优点：识别率高，识别速度快
缺点：按次收费
2.2 使用开源工具读取pdf文档
2.2.1 下载工具包
/tesseract-ocr/tessdata 下载chi_sim.traineddata，chi_sim_vert.traineddata
2.2.2 添加依赖
<dependencies><dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>4.4.0</version></dependency></dependencies>
2.2.3 编写程序
import net.sourceforge.tess4j.Tesseract;import net.sourceforge.tess4j.TesseractException;public class TestTess {public static void main(String[] args) {// 识别图片的路径（修改为自己的图片路径）String path = "C:\\work\\notebook\\prototype\\target\\qq1.jpg";// 语言库位置（修改为跟自己语言库文件夹的路径）// String lagnguagePath = "C:\\work\\projects\\tess\\resources\\tessdata";File file = new File(path);ITesseract instance = new Tesseract();//设置训练库的位置//instance.setDatapath(lagnguagePath);//chi_sim ：简体中文， eng 根据需求选择语言库instance.setLanguage("chi_sim");String result = null;try {long startTime = System.currentTimeMillis();result = instance.doOCR(file);long endTime = System.currentTimeMillis();System.out.println("Time is：" + (endTime - startTime) + " 毫秒");} catch (TesseractException e) {e.printStackTrace();}System.out.println("result: ");System.out.println(result); }}
2.3 读取pdf的特定位置的数据
2.3.1 手动截取pdf指定矩形区域的材料
需要前端配合做页面，改成自动获取，这样增加文档类型时，需要配置一下。
2.3.2 Python程序获取图片标识区域在整个文档中的矩形坐标
import aircvdef matchImg(imgsrc, imgobj, confidence=0.2):"""图片对比识别imgobj在imgsrc上的相对位置（批量识别统一图片中需要的部分）:param imgsrc: 原始图片路径(str):param imgobj: 待查找图片路径（模板）(str):param confidence: 识别度（0<confidence<1.0）:return: None or dict({'confidence': 相似度(float), 'rectangle': 原始图片上的矩形坐标(tuple), 'result': 中心坐标(tuple)})"""imsrc = aircv.imread(imgsrc)imobj = aircv.imread(imgobj)match_result = aircv.find_template(imsrc, imobj,confidence) # {'confidence': 0.5435812473297119, 'rectangle': ((394, 384), (394, 416), (450, 384), (450, 416)), 'result': (422.0, 400.0)}if match_result is not None:match_result['shape'] = (imsrc.shape[1], imsrc.shape[0]) # 0为高，1为宽return match_resulttemplate = {'address':'dz.jpg','doc_num':'fw.jpg','doc_type':'fwlx.jpg','issue_date':'fwrq.jpg','int_cls': 'splb.jpg','apply_num':'sqh.jpg','applyer':'sqr.jpg','content':'zw.jpg'}for key, value in template.items():orig = matchImg("target/qq.jpg","target/"+value)rect = orig['rectangle']w = rect[3][0] - rect[0][0]h = rect[3][1] - rect[0][1]x = rect[0][0]y = rect[0][1]ret = [x,y,w,h]print(key,ret)
2.3.3 Java程序根据矩形区域坐标，获取指定位置信息
package odysssey.tess;import java.io.File;import java.io.IOException;import java.util.List;import javax.imageio.ImageIO;import java.awt.Rectangle;import net.sourceforge.tess4j.ITessAPI.TessPageIteratorLevel;import net.sourceforge.tess4j.ITesseract;import net.sourceforge.tess4j.Tesseract;import net.sourceforge.tess4j.TesseractException;public class TestTess {public static void main(String[] args) throws IOException {// 识别图片的路径（修改为自己的图片路径）String path = "C:\\work\\notebook\\prototype\\target\\qq.jpg";// 语言库位置（修改为跟自己语言库文件夹的路径）// String lagnguagePath = "C:\\work\\projects\\tess\\resources\\tessdata";File file = new File(path);ITesseract instance = new Tesseract();//设置训练库的位置/*address [61, 312, 734, 82]doc_num [1002, 338, 527, 78]doc_type [425, 736, 801, 82]issue_date [64, 593, 495, 64]int_cls [115, 969, 346, 82]apply_num [676, 589, 388, 68]applyer [72, 450, 481, 68]content [107, 899, 1439, 70]*/ int rects[][] = {{61, 312, 734, 82},{1002, 338, 527, 78},{425, 736, 801, 82},{64, 593, 495, 64},{115, 969, 346, 82},{676, 589, 388, 68},{72, 450, 481, 68},{107, 899, 1439, 70}};//chi_sim ：简体中文， eng 根据需求选择语言库instance.setLanguage("chi_sim");instance.setTessVariable("user_defined_dpi", "96");String result = null;try {long startTime = System.currentTimeMillis();//result = instance.doOCR(file);for(int i = 0 ;i < rects.length;i++){Rectangle rr = new Rectangle(rects[i][0],rects[i][1],rects[i][2],rects[i][3]);result =instance.doOCR(file, rr);System.out.println(result); }/* List<Rectangle> resul=instance.getSegmentedRegions(ImageIO.read(file), TessPageIteratorLevel.RIL_SYMBOL);for (int i = 0; i < resul.size(); i++) {Rectangle rect = resul.get(i);System.out.println(String.format("Box[%d]: x=%d, y=%d, w=%d, h=%d", i, rect.x, rect.y, rect.width, rect.height));}*/long endTime = System.currentTimeMillis();System.out.println("Time is：" + (endTime - startTime) + " 毫秒");} catch (TesseractException e) {e.printStackTrace();}}}
