使用Java实现转换扫描的文档为可搜索的PDF
更新时间：2023年12月05日 14:17:41 作者：xulihang
这篇文章主要为大家详细介绍了如何使用Java实现转换扫描的文档为可搜索的PDF,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下
在上一篇文章中，我们编写了一个JavaFX的演示程序，使用Dynamsoft Service的REST API扫描文档。该演示程序可以通过TWAIN、WIA、SANE和ICA等协议用文档扫描仪扫描文档，并使用PDFBox将文档保存到PDF文件中。
在本文中，我们将扩展它的功能，让它能将扫描的文档转换为可搜索的PDF。
打开可搜索的PDF时，我们可以直接选择文本和搜索关键字。生成可搜索的PDF对于文档索引或管理系统非常有用。
如果PDF是用InDesign和Word等工具生成的，那么它的文本已经可以搜索了。但是，如果PDF包含扫描的图像，我们需要添加额外的文本覆盖层，使其可搜索。
扫描文档的OCR
我们首先需要用OCR得到扫描图像中的文字和其位置信息。有各种OCR引擎或API服务可以调用。这里，我们使用OCRSpace的免费OCR API。
1.创建相关定义。
TextLine.class：
public class TextLine {
public double left;
public double top;
public double width;
public double height;
public String text;
public TextLine(double left, double top, double width, double height, String text) {
this.left = left;
this.top = top;
this.width = width;
this.height = height;
this.text = text;
}
}
OCRResult.class：
public class OCRResult {
public ArrayList<TextLine> lines = new ArrayList<TextLine>();
}
2.创建一个OCRSpace类，该类提供从base64编码图像获取OCR结果的静态方法。
public class OCRSpace {
public static String key = "";
public static String lang = "eng";
/**
* Get OCR result from a base64-encoded image in JPEG format
*
* @param base64 - base64-encoded image
*
*/
public static OCRResult detect(String base64) throws IOException {
OCRResult result = new OCRResult();
OkHttpClient client = new OkHttpClient.Builder()
.connectTimeout(120, TimeUnit.SECONDS)
.build();
RequestBody requestBody=new FormBody.Builder()
.add("apikey",key)
.add("language",lang)
.add("base64Image","data:image/jpeg;base64,"+base64.trim())
.add("isOverlayRequired","true")
.build();
Request httpRequest = new Request.Builder()
.url("https://api.ocr.space/parse/image")
.post(requestBody)
.build();
try (Response response = client.newCall(httpRequest).execute()) {
try {
String json = response.body().string();
parse(json,result);
} catch (IOException e) {
throw new RuntimeException(e);
}
}
return result;
}
private static void parse(String json,OCRResult ocrResult) throws JsonProcessingException {
ObjectMapper objectMapper = new ObjectMapper();
Map<String,Object> body = objectMapper.readValue(json,new TypeReference<Map<String,Object>>() {});
List<Map<String,Object>> parsedResults = (List<Map<String, Object>>) body.get("ParsedResults");
for (Map<String,Object> parsedResult:parsedResults) {
Map<String,Object> textOverlay = (Map<String, Object>) parsedResult.get("TextOverlay");
List<Map<String,Object>> lines = (List<Map<String, Object>>) textOverlay.get("Lines");
for (Map<String,Object> line:lines) {
TextLine textLine = parseAsTextLine(line);
ocrResult.lines.add(textLine);
}
}
}
private static TextLine parseAsTextLine(Map<String,Object> line){
String lineText = (String) line.get("LineText");
List<Map<String,Object>> words = (List<Map<String, Object>>) line.get("Words");
int minX = (int)((double) words.get(0).get("Left"));
int minY = (int)((double) words.get(0).get("Top"));
int maxX = 0;
int maxY = 0;
for (Map<String,Object> word:words) {
int x = (int)((double) word.get("Left"));
int y = (int)((double) word.get("Top"));
int width = (int)((double) word.get("Width"));
int height = (int)((double) word.get("Height"));
minX = Math.min(minX,x);
minY = Math.min(minY,y);
maxX = Math.max(maxX,x+width);
maxY = Math.max(maxY,y+height);
}
return new TextLine(minX,minY,maxX - minX,maxY-minY,lineText);
}
}
使用OKHttp用于HTTP请求，Jackson用于处理JSON。
将文本覆盖层添加到PDF页面中
创建SearchablePDFCreator类以提供相关方法。
public class SearchablePDFCreator {}
添加addTextOverlay方法，将文本覆盖层添加到现有的PDF页面。
/**
* Add text overlay to an existing PDF page
* @param contentStream - PDF content stream
* @param result - OCR result
* @param pageHeight - Height of the image
* @param pdFont - Specify a font for evaluation of the position
* @param percent - image's height / page's height
*/
public static void addTextOverlay(PDPageContentStream contentStream,OCRResult result, double pageHeight, PDFont pdFont,double percent) throws IOException {
PDFont font = pdFont;
contentStream.setFont(font, 16);
contentStream.setRenderingMode(RenderingMode.NEITHER);
for (int i = 0; i <result.lines.size() ; i++) {
TextLine line = result.lines.get(i);
FontInfo fi = calculateFontSize(font,line.text, (float) (line.width * percent), (float) (line.height * percent));
contentStream.beginText();
contentStream.setFont(font, fi.fontSize);
contentStream.newLineAtOffset((float) (line.left * percent), (float) ((pageHeight - line.top - line.height) * percent));
contentStream.showText(line.text);
contentStream.endText();
}
}
private static FontInfo calculateFontSize(PDFont font, String text, float bbWidth, float bbHeight) throws IOException {
int fontSize = 17;
float textWidth = font.getStringWidth(text) / 1000 * fontSize;
float textHeight = font.getFontDescriptor().getFontBoundingBox().getHeight() / 1000 * fontSize;
if(textWidth > bbWidth){
while(textWidth > bbWidth){
fontSize -= 1;
textWidth = font.getStringWidth(text) / 1000 * fontSize;
textHeight = font.getFontDescriptor().getFontBoundingBox().getHeight() / 1000 * fontSize;
}
}
else if(textWidth < bbWidth){
while(textWidth < bbWidth){
fontSize += 1;
textWidth = font.getStringWidth(text) / 1000 * fontSize;
textHeight = font.getFontDescriptor().getFontBoundingBox().getHeight() / 1000 * fontSize;
}
}
FontInfo fi = new FontInfo();
fi.fontSize = fontSize;
fi.textHeight = textHeight;
fi.textWidth = textWidth;
return fi;
}
字体大小是根据指定的字体和文字行宽度自动计算的。
添加addPage方法，可以将文本覆盖层与图像一起添加为文档的新页面。
public static void addPage(byte[] imageBytes,OCRResult result, PDDocument document,int pageIndex,PDFont pdFont) throws IOException {
ByteArrayInputStream in = new ByteArrayInputStream(imageBytes);
BufferedImage bi = ImageIO.read(in);
// Create a new PDF page
PDRectangle rect = new PDRectangle((float) bi.getWidth(),(float) bi.getHeight());
PDPage page = new PDPage(rect);
document.addPage(page);
PDPageContentStream contentStream = new PDPageContentStream(document, page);
PDImageXObject image
= PDImageXObject.createFromByteArray(document,imageBytes,String.valueOf(pageIndex));
contentStream.drawImage(image, 0, 0);
addTextOverlay(contentStream,result,bi.getHeight(),pdFont);
contentStream.close();
}
让我们检查一下添加结果。
使用RenderingMode.NEITHER将使文本图层不可见。我们可以把这一行注释掉，以看到添加上去的文字。以下是覆盖了文本的PDF文件的一个区域。我们可以看到文本与图像基本吻合。
将扫描的文档图像保存为可搜索的PDF
接下来，我们可以尝试使用我们刚刚编写的类从图像文件创建一个可搜索的PDF。
File image = new File("F://WebTWAINImage.jpg");
byte[] byteArray = new byte[(int) image.length()];
try (FileInputStream inputStream = new FileInputStream(image)) {
inputStream.read(byteArray);
} catch (IOException e) {
throw new RuntimeException(e);
}
String base64 = Base64.getEncoder().encodeToString(byteArray);
OCRSpace.key = "your key";
OCRResult result = OCRSpace.detect(base64);
PDDocument document = new PDDocument();
SearchablePDFCreator.addPage(byteArray,result,document,0);
document.save(new File("F://output.pdf"));
document.close();
使用Searchable PDF Creator加强JavaFX演示程序
编辑pom.xml，将库添加为依赖项。
<repositories>
<repository>
<id>jitpack.io</id>
<url>https://jitpack.io</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>com.github.tony-xlh</groupId>
<artifactId>searchablePDF4j</artifactId>
<version>1.0.0</version>
</dependency>
</dependencies>
添加复选框以在UI中启用可搜索PDF的生成。
如果选中该复选框，则通过添加文本覆盖层来生成可搜索的PDF。
PDDocument document = new PDDocument();
int index = 0;
for (DocumentImage di: documentListView.getItems()) {
index = index + 1;
ImageView imageView = di.imageView;
PDRectangle rect = new PDRectangle((float) imageView.getImage().getWidth(),(float) imageView.getImage().getHeight());
System.out.println(rect);
PDPage page = new PDPage(rect);
document.addPage(page);
PDPageContentStream contentStream = new PDPageContentStream(document, page);
PDImageXObject image
= PDImageXObject.createFromByteArray(document,di.image,String.valueOf(index));
contentStream.drawImage(image, 0, 0);
+ if (searchablePDFCheckBox.isSelected()) {
+ String base64 = Base64.getEncoder().encodeToString(di.image);
+ OCRSpace.key = "your key";
+ OCRResult result = OCRSpace.detect(base64);
+ SearchablePDFCreator.addTextOverlay(contentStream,result,image.getHeight());
+ }
contentStream.close();
}
document.save(fileToSave.getAbsolutePath());
document.close();
到此这篇关于使用Java实现转换扫描的文档为可搜索的PDF的文章就介绍到这了,更多相关Java文档转换为PDF内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了SpringBoot整合Mysql和Redis的示例代码，本文通过实例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下2022-02-02
这篇文章主要介绍了java 二分法算法的实例的相关资料,希望通过本文大家能够掌握二分法，需要的朋友可以参考下2017-09-09
很多朋友被idea左侧的图标不见了这一问题搞的焦头烂额，不知道该怎么操作，今天小编就交大家如何控制编辑左侧的功能图标 ICON，文字内容不多，主要通过两张截图给大家说明，感兴趣的朋友一起看看吧2021-05-05
Spring boot redis cache的key的使用方法
这篇文章主要介绍了Spring boot redis cache的key的使用方法,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-05-05
这篇文章主要给大家介绍了一个简单的Spring容器初始化流程的相关资料，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2021-01-01
java实现图片上加文字水印(SpringMVC + Jsp)
这篇文章主要为大家详细介绍了java实现在图片上加文字水印的方法，水印可以是图片或者文字，操作方便，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2016-05-05
这篇文章主要为大家详细介绍了java网络通信技术之简单聊天小程序，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-07-07
ConcurrentHashMap技术在互联网技术使用如此广泛，几乎所有的后端技术面试官都要在ConcurrentHashMap技术的使用和原理方面对小伙伴们进行360°的刁难，本文详细给大家介绍一下ConcurrentHashMap的存储流程,需要的朋友可以参考下2023-05-05
继承就是可以直接使用前辈的属性和方法。自然界如果没有继承，那一切都是处于混沌状态。多态是同一个行为具有多个不同表现形式或形态的能力。多态就是同一个接口，使用不同的实例而执行不同操作2022-04-04
这篇文章主要介绍了SpringBoot拦截器原理解析及使用方法,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-04-04
最新评论