序言：我们在读一些PDF版书籍的时候，如果PDF中不是图片，做起读书笔记的还好；如果PDF中的是图片的话，根本无法编辑，做起笔记来，还是很痛苦的。我是遇到过了。我们搞技术的，当然得自己学着解决现在的痛点。
一. 现状
为了不重复造轮子，当然得看看现在市面上是否有已经实现过的，如果有，那自然是拿来即用。
首先，说说一些在线版的PDF图片转文字，对文件大小有限制为2M(似乎有很多的文件处理都是限制在这个数)，超过了便要收费了。
第二，那就是WPS的PDF图片转文字了。别说大小限制了，直接是收费。
二. 方案实现
2.1 百度AI平台 获取AppID, API Key, Secret Key
该平台限制调用次数， 作为个人开发者来说，基本上是够用了。
Java SDK文档使用说明: /docs#/OCR-Java-SDK/top
不清楚的，可以去看文档。
2.2 代码实现
逻辑思路： 读取PDF文件，然后读取PDF中包含的图片，将图片传给百度AI平台去进行识别，返回结果解析。
第一步：新建一个Demo的Maven工程
省略....（相信大家都会哈）??
第二步：引入POM
<?xml version="1.0" encoding="UTF-8"?><project xmlns="/POM/4.0.0" xmlns:xsi="/2001/XMLSchema-instance"xsi:schemaLocation="/POM/4.0.0 /xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.example</groupId><artifactId>demo</artifactId><version>0.0.1-SNAPSHOT</version><name>demo</name><description>Demo project for pdf图片转换文字喜欢的微信关注公众号：Java技术干货</description><properties><java.version>1.8</java.version></properties><dependencies><dependency><!--百度AI SDK--><groupId>com.baidu.aip</groupId><artifactId>java-sdk</artifactId><version>4.8.0</version></dependency><dependency><!--PDF操作工具包--><groupId>org.apache.pdfbox</groupId><artifactId>pdfbox-app</artifactId><version>2.0.16</version></dependency></dependencies></project>
第三步：新建一个带有main方法的类
package com.example.demo;import com.baidu.aip.ocr.AipOcr;import org.apache.pdfbox.cos.COSName;import org.apache.pdfbox.pdmodel.*;import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;import org.apache.pdfbox.text.PDFTextStripper;import org.json.JSONObject;import javax.imageio.ImageIO;import java.awt.image.BufferedImage;import java.io.*;import java.nio.ByteBuffer;import java.text.SimpleDateFormat;import java.util.*;import java.util.concurrent.atomic.AtomicInteger;public class DemoApplication {//设置APPID/AK/SKpublic static final String APP_ID = "你的APP_ID";public static final String API_KEY = "你的API_KEY";public static final String SECRET_KEY = "你的SECRET_KEY ";public static final String DATE_FORMAT = "yyyy-MM-dd HH:mm:ss";/*** 解析pdf文档信息** @param pdfPath pdf文档路径* @throws Exception*/public static void pdfParse(String pdfPath) throws Exception {InputStream input = null;File pdfFile = new File(pdfPath);PDDocument document = null;try {input = new FileInputStream(pdfFile);//加载 pdf 文档document = PDDocument.load(input);/** 文档属性信息 **/PDDocumentInformation info = document.getDocumentInformation();System.out.println("标题:" + info.getTitle());System.out.println("主题:" + info.getSubject());System.out.println("作者:" + info.getAuthor());System.out.println("关键字:" + info.getKeywords());System.out.println("应用程序:" + info.getCreator());System.out.println("pdf 制作程序:" + info.getProducer());System.out.println("作者:" + info.getTrapped());System.out.println("创建时间:" + dateFormat(info.getCreationDate()));System.out.println("修改时间:" + dateFormat(info.getModificationDate()));//获取内容信息PDFTextStripper pts = new PDFTextStripper();String content = pts.getText(document);System.out.println("内容:" + content);/** 文档页面信息 **/PDDocumentCatalog cata = document.getDocumentCatalog();PDPageTree pages = cata.getPages();System.out.println(pages.getCount());int count = 1;// 初始化一个AipOcrAipOcr client = new AipOcr(APP_ID, API_KEY, SECRET_KEY);// 可选：设置网络连接参数client.setConnectionTimeoutInMillis(2000);client.setSocketTimeoutInMillis(60000);for (int i = 0; i < pages.getCount(); i++) {PDPage page = (PDPage) pages.get(i);if (null != page) {PDResources res = page.getResources();Iterable xobjects = res.getXObjectNames();if(xobjects != null){Iterator imageIter = xobjects.iterator();while(imageIter.hasNext()){COSName key = (COSName) imageIter.next();if (res.isImageXObject(key)) {try {PDImageXObject image = (PDImageXObject) res.getXObject(key);BufferedImage bimage = image.getImage();// 将BufferImage转换成字节数组ByteArrayOutputStream out =new ByteArrayOutputStream();ImageIO.write(bimage,"png",out);//png为要保存的图片格式byte[] barray = out.toByteArray();out.close();// 发送图片识别请求 JSONObject json = client.basicGeneral(barray, new HashMap<String, String>());System.out.println(json.toString(2));count++;System.out.println(count);} catch (Exception e) {}}}}}}} catch (Exception e) {throw e;} finally {if (null != input)input.close();if (null != document)document.close();}}/*** 获取格式化后的时间信息** @param dar 时间信息* @return* @throws Exception*/public static String dateFormat(Calendar calendar) throws Exception {if (null == calendar)return null;String date = null;try {String pattern = DATE_FORMAT;SimpleDateFormat format = new SimpleDateFormat(pattern);date = format.format(calendar.getTime());} catch (Exception e) {throw e;}return date == null ? "" : date;}public static void main(String[] args) throws Exception {// 读取pdf文件String path = "C:\\Users\\fl\\Desktop\\a.pdf";pdfParse(path);}}
第四步：识别结果对比
样例1：封面识别
识别前：
识别后：
样例2：正文识别
识别前：
识别后：
三. 总结
花一两个小时，把这一块儿的功能熟悉了一下，看了一下结果还是很满意的，虽然缺少了一些格式。但是能够把文字识别出来，就避免了手动再去敲一次。提高了读书做笔记的效率。
喜欢的朋友们可以点个关注或喜欢?
