java 把pdf图片文档和文章文档转成文字的方法

java 提供了一些库和工具可以用来把 PDF 文档和图片文档转成文本。

1. Apache PDFBox：这是一个开源的 PDF 库，可以用来提取 PDF 文件中的文本内容。

2. iText：这是一个用于创建和处理 PDF 文件的库，可以用来提取 PDF 文件中的文本内容。

3. Tesseract OCR：这是一个开源的 OCR 引擎，可以用来识别图片中的文本。可以使用 Java Tesseract API 将 Tesseract 集成到 Java 项目中。

4. ABBYY FineReader：这是一个商业 OCR 软件，可以识别多种文件格式中的文本内容，包括 PDF 和图片格式。可以使用 Java API 将 ABBYY FineReader 集成到 Java 项目中。

对于图片文档不好转的情况，可以尝试以下方法：

1. 尝试使用更高分辨率的图片。更高的分辨率可以提高 OCR 引擎的识别精度。

2. 尝试使用更清晰的图片。使用更清晰的图片可以减少识别错误。

3. 尝试手动调整图片的亮度和对比度，以便更好地展示图片中的文本。

4. 尝试使用更高级的 OCR 引擎，如 ABBYY FineReader，它具有更高的识别精度和更好的处理能力。

请注意，无论使用哪种方法，文本提取可能存在误差，需要手动进行校对和修正。

以下是使用 Apache PDFBox 库将 PDF 文档转换为文本的示例代码：

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;public class PdfToTextConverter {public static void main(String[] args) {PDDocument document = null;try {// 读取 PDF 文件document = PDDocument.load(new File("path/to/pdf"));// 创建 PDFTextStripper 对象PDFTextStripper stripper = new PDFTextStripper();// 设置文本提取的起始页和结束页stripper.setStartPage(1);stripper.setEndPage(document.getNumberOfPages());// 提取文本内容String text = stripper.getText(document);System.out.println(text);} catch (IOException e) {e.printStackTrace();} finally {if (document != null) {try {document.close();} catch (IOException e) {e.printStackTrace();}}}}
}

以下是使用 Tesseract OCR 库将图片文档转换为文本的示例代码：

PDF 文件中的页面只包含图像，而没有可选的文字层。这意味着，不能直接使用 Tesseract OCR 引擎来提取文本内容，因为 OCR 引擎需要文本层才能进行文字识别。

在这种情况下，需要使用 PDF 图像提取工具将每个页面转换为单独的图像文件（如 PNG 或 JPEG 格式），然后再使用 Tesseract OCR 引擎对每个图像文件进行 OCR 文字识别。

<dependency><groupId>net.sourceforge.tess4j</groupId><artifactId>tess4j</artifactId><version>4.5.4</version>
</dependency>

import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;import java.io.File;public class PdfToTextConverter {public static void main(String[] args) {// 设置 Tesseract OCR 引擎的语言Tesseract tesseract = new Tesseract();tesseract.setLanguage("eng");// 定义 PDF 文件路径和输出文本文件路径String pdfFilePath = "path/to/pdf";String outputTextFilePath = "path/to/output/text/file";try {// 将 PDF 文件转换为图像文件，并保存在指定目录中PdfToImageConverter pdfToImageConverter = new PdfToImageConverter(pdfFilePath);pdfToImageConverter.convertToImage("path/to/output/image/folder");// 初始化输出文本文件File outputTextFile = new File(outputTextFilePath);if (outputTextFile.exists()) {outputTextFile.delete();}outputTextFile.createNewFile();// 逐个处理图像文件，并将 OCR 文本输出到文本文件中for (int i = 1; i <= pdfToImageConverter.getPageCount(); i++) {String imagePath = "path/to/output/image/folder/page" + i + ".png";File imageFile = new File(imagePath);// 使用 Tesseract OCR 引擎提取文本内容String ocrText = tesseract.doOCR(imageFile);// 将 OCR 文本追加到输出文本文件中FileUtils.writeStringToFile(outputTextFile, ocrText, "UTF-8", true);}System.out.println("PDF 文件转换完成。");} catch (Exception e) {e.printStackTrace();}}

以下是关于Tesseract的常用网址
下载地址：https://digi.bib.uni-mannheim.de/tesseract/
官方网站：https://github.com/tesseract-ocr/tesseract
官方文档：https://github.com/tesseract-ocr/tessdoc
语言包地址：https://github.com/tesseract-ocr/tessdata

注意事项:
1.尽量不要下载dev(开发中的版本)，alpha(内部测试版,一般不向外部发布,会有很多Bug)，beta(公测版本，即针对所有用户公开的测试版本)等版本。

2.建议下载最新稳定版本：
tesseract-ocr-w64-setup-v5.0.0.20190623.exe 2019-06-23 11:30 38M

其他的请参考这个：Tesseract-OCR 下载安装和使用_tesseract-ocr下载_半濠春水的博客-CSDN博客