Java如何识别图片或扫描PDF中的文字详解

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>
<dependency>
    <groupId>e-iceblue</groupId>
    <artifactId>spire.ocr</artifactId>
    <version>1.9.19</version>
</dependency>

import com.spire.ocr.ConfigureOptions;
import com.spire.ocr.OcrException;
import com.spire.ocr.OcrScanner;

import java.io.FileWriter;
import java.io.IOException;

public class ExtractTextFromImage {

    public static void main(String[] args) {
        // 从图片中识别文字
        String scannedText = scanTextFromImage("测试.png", "Chinese", "E:\\win-x64");

        // 保存识别出的文字到文件
        saveTextToFile(scannedText, "图片文字.txt");
    }

    /**
     * 方法：从图片中识别文字
     * @param imagePath 图片路径
     * @param language OCR语言，支持语言包括 English, Chinese, Chinesetraditional, French, German, Japanese 和 Korean
     * @param modelPath OCR模型路径
     * @return 识别出的文字
     */
    private static String scanTextFromImage(String imagePath, String language, String modelPath) {
        try {
            // 创建OcrScanner类的对象
            OcrScanner scanner = new OcrScanner();
            // 设置扫描器配置
            ConfigureOptions configureOptions = new ConfigureOptions();
            // 指定文本识别的语言
            configureOptions.setLanguage(language);
            // 指定模型的路径
            configureOptions.setModelPath(modelPath);
            // 将配置应用于扫描器
            scanner.ConfigureDependencies(configureOptions);

            // 识别图片中的文本
            scanner.scan(imagePath);
            // 获取识别出的文本
            return scanner.getText().toString();
        } catch (OcrException e) {
            System.out.println("OCR 文字识别时发生错误。");
            e.printStackTrace();
            return "";
        }
    }

    /**
     * 方法：将识别出的文字保存到文件
     * @param text 识别出的文字
     * @param filePath 保存文件路径
     */
    private static void saveTextToFile(String text, String filePath) {
        // 将获取的文本写入文本文件
        try (FileWriter writer = new FileWriter(filePath)) {
            writer.write(text);
            System.out.println("文本已成功保存到 " + filePath);
        } catch (IOException e) {
            System.out.println("保存文本文件时发生错误。");
            e.printStackTrace();
        }
    }
}

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>
<dependency>
    <groupId>e-iceblue</groupId>
    <artifactId>spire.pdf</artifactId>
    <version>10.10.0</version>
</dependency>

import com.spire.ocr.ConfigureOptions;
import com.spire.ocr.OCRImageFormat;
import com.spire.ocr.OcrException;
import com.spire.ocr.OcrScanner;
import com.spire.pdf.PdfDocument;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.*;

public class ExtractTextFromScannedPDF {

    public static void main(String[] args) throws OcrException, IOException {
        // 打开扫描PDF文档
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("扫描.pdf");

        // 从扫描PDF文档中识别文字并将结果保存到文本文件
        for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
            BufferedImage image = convertPdfPageToImage(pdf, pageIndex);
            String scannedText = recognizeTextFromImage(image, "Chinese", "E:\\win-x64");

            // 将识别出的文本保存到文件
            saveTextToFile(scannedText, "扫描PDF文字.txt");
        }
    }

    /**
     * 方法：将PDF页面转换为图片
     * @param pdf PDF文档对象
     * @param pageIndex 页码索引，从0开始
     * @return 转换后的BufferedImage对象
     * @throws IOException 如果转换过程中发生I/O错误
     */
    private static BufferedImage convertPdfPageToImage(PdfDocument pdf, int pageIndex) throws IOException {
        return pdf.saveAsImage(pageIndex);
    }

    /**
     * 方法：从图片中识别文字
     * @param image 要识别的BufferedImage对象
     * @param language OCR语言，支持语言包括 English, Chinese, Chinesetraditional, French, German, Japanese 和 Korean
     * @param modelPath OCR模型路径
     * @return 识别出的文字
     * @throws OcrException 如果OCR识别过程中发生错误
     * @throws IOException 如果转换BufferedImage为InputStream时发生I/O错误
     */
    private static String recognizeTextFromImage(BufferedImage image, String language, String modelPath) throws OcrException, IOException {
        // 将BufferedImage转换为InputStream
        ByteArrayOutputStream os = new ByteArrayOutputStream();
        ImageIO.write(image, "PNG", os);
        InputStream inputStream = new ByteArrayInputStream(os.toByteArray());

        // 配置并初始化OCR扫描器
        OcrScanner scanner = new OcrScanner();
        ConfigureOptions configureOptions = new ConfigureOptions();
        configureOptions.setLanguage(language); // 设置OCR识别语言
        configureOptions.setModelPath(modelPath); // 设置OCR模型路径
        scanner.ConfigureDependencies(configureOptions); // 应用配置

        // 识别文本
        scanner.Scan(inputStream, OCRImageFormat.Png);
        return scanner.getText().toString(); // 返回识别出的文本
    }

    /**
     * 方法：将识别出的文本保存到文件
     * @param text 识别出的文字
     * @param filePath 保存文件的路径
     */
    private static void saveTextToFile(String text, String filePath) {
        try (FileWriter writer = new FileWriter(filePath)) {
            writer.write(text);
            System.out.println("文本已成功保存到 " + filePath);
        } catch (IOException e) {
            System.out.println("保存文本文件时发生错误。");
            e.printStackTrace();
        }
    }
}