JAVA 使用Tesseract OCR识别图片型PDF

package util.ocr;

import org.apache.pdfbox.Loader;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.rendering.PDFRenderer;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.util.ImageHelper;
import org.opencv.core.Core;
import org.opencv.core.Mat;
import org.opencv.core.CvType;
import org.opencv.imgproc.Imgproc;

import java.awt.image.BufferedImage;
import java.awt.image.DataBufferByte;
import java.io.File;

public class PdfOcrOptimizer {

// 静态初始化块，用于加载OpenCV库
static {
    try {
        // 加载OpenCV库
        OpenCV.loadLocally();
    } catch (Exception e) {
        System.err.println("无法加载OpenCV库: " + e.getMessage());
        e.printStackTrace();
    }
}

/**
 * 提取图片型PDF中的文本
 *
 * @param pdfPath PDF文件路径
 * @param page    页码0对应实际1
 * @param flag  精度低（1）、中（2）、高（3），精度越高识时间越长。
 * @return 文本内容
 */
public static String extractTextFromScannedPdf(String pdfPath, int page, int flag) {
    File pdfFile = new File(pdfPath);

    // 检查文件是否存在
    if (!pdfFile.exists()) {
        System.err.println("PDF文件不存在: " + pdfPath);
        return "";
    }

    // 检查是否为文件（而不是目录）
    if (!pdfFile.isFile()) {
        System.err.println("指定路径不是文件: " + pdfPath);
        return "";
    }

    // 检查文件是否可读
    if (!pdfFile.canRead()) {
        System.err.println("无法读取PDF文件: " + pdfPath);
        return "";
    }

    try (PDDocument document =  Loader.loadPDF(new File(pdfPath))) {
        PDFRenderer renderer = new PDFRenderer(document);
        Tesseract tesseract = new Tesseract();

        // 配置Tesseract
        tesseract.setDatapath("tessdata"); // 训练数据路径
        tesseract.setLanguage("eng"); // 英文+简体中文 +chi_sim（注：英文对数字识别更准确）
        tesseract.setVariable("preserve_interword_spaces", "1");
        tesseract.setVariable("user_defined_dpi", "300");
        tesseract.setPageSegMode(3); //可设置为6提高准确率

        // 提高渲染DPI (300 DPI)
        BufferedImage image = renderer.renderImage(page, 300f / 72f);

        BufferedImage processedImage = null;
        if (flag == 2) {
            tesseract.setLanguage("eng+chi_sim");
            // 图像预处理
            processedImage = preprocessImage(image);
        } else if (flag == 3) {
            // 图像预处理 + 去噪
            processedImage = preprocessDenoiseImage(image);
        }else {
            processedImage = image;
        }

　　　　//可选 只识别一半，提高识别效率。
　　　　//processedImage=processedImage.getSubimage(0, 0, image.getWidth(), image.getHeight()/2);

　　　　
　　　　//打印识别区域（调试使用）

　　　　//ImageIO.write(processedImage, "png", new File("C:\\Users\\lingt\\Desktop\\test\\004\\upperHalfImage.png"));

　　　　
　　　　// OCR识别
       return tesseract.doOCR(processedImage);
    } catch (Exception e) {
        e.printStackTrace();
        return null;
    }
}

/**
 * 图像预处理
 */
private static BufferedImage preprocessImage(BufferedImage image) {
    // 1. 转换为灰度图
    BufferedImage grayImage = ImageHelper.convertImageToGrayscale(image);

    // 2. 提高对比度
    grayImage = ImageHelper.convertImageToBinary(grayImage);

    // 3. 缩放图像 (可选，根据实际需要)
    grayImage = ImageHelper.getScaledInstance(grayImage, grayImage.getWidth() * 2, grayImage.getHeight() * 2);


    return grayImage;
}

/**
 * 图像预处理
 */
private static BufferedImage preprocessDenoiseImage(BufferedImage image) {
    // 1. 转换为灰度图
    BufferedImage grayImage = ImageHelper.convertImageToGrayscale(image);

    // 2. 提高对比度
    grayImage = ImageHelper.convertImageToBinary(grayImage);

    // 3. 缩放图像 (可选，根据实际需要)
    grayImage = ImageHelper.getScaledInstance(grayImage, grayImage.getWidth() * 2, grayImage.getHeight() * 2);

    // 4. 去噪 (可选)
    grayImage = denoiseImage(grayImage);

    return grayImage;
}

/**
 * 可选: 使用OpenCV进行高级图像处理
 */
private static BufferedImage denoiseImage(BufferedImage image) {
    // 需要OpenCV库支持
    System.loadLibrary(Core.NATIVE_LIBRARY_NAME);

    Mat src = new Mat(image.getHeight(), image.getWidth(), CvType.CV_8UC1);
    byte[] data = ((DataBufferByte) image.getRaster().getDataBuffer()).getData();
    src.put(0, 0, data);

    // 中值滤波去噪
    Mat dst = new Mat();
    Imgproc.medianBlur(src, dst, 3);

    BufferedImage result = new BufferedImage(dst.cols(), dst.rows(), BufferedImage.TYPE_BYTE_GRAY);
    byte[] resultData = new byte[dst.cols() * dst.rows() * (int)dst.elemSize()];
    dst.get(0, 0, resultData);
    result.getRaster().setDataElements(0, 0, dst.cols(), dst.rows(), resultData);

    return result;
}

}

1、tessdata下载路径：https://github.com/tesseract-ocr/tessdata；
2、新建”tessdata“目录把下载的中英文语言包放入其中。再把tessdata放到项目目录下（resouces）

-------------------------------------------------以上为windows环境-----------------------------------------------------------

-------------------------------------------------------linux环境------------------------------------------------------------
1、系统安装tessdata，注意版本一般直接安装不是最新版需要升级；例如我代码中jar包5.16.0，刚安装的是4.4.1 or 5.3.1就还需要再更新。
2、升级leptonica-1.85.0.tar.gz，原1.82不满足需求。 下载地址：http://www.leptonica.org/download.html

系统ubuntu22经多次测试无法用win自带tessdata的方式处理，所以改成安装tessdata系统环境。
注：tessdata（训练数据）ubuntu中下载一般不是最新，去git（https://github.com/tesseract-ocr/tessdata）下载