腾讯云OCR（印刷体识别） API使用
使用背景：
业务部门下载了许多PDF的快递单 上面有联系方式 需要识别手机号码后保存下来
解决思路：
1、 如果是可编辑的pdf文档 可使用pdf 读取jar包来处理
2、 本需求的pdf是图片类型，无法编辑。所以只能把pdf转成image,然后使用ORC的图像识别来完成信息获取
腾讯云的OCR接入：
1、完善账号的实名等级，如果账号是企业的可以免费使用每月1000次的调用量
2、引入maven 依赖 查看demo案例
<dependency><groupId>com.tencentcloudapi</groupId><artifactId>tencentcloud-sdk-java-ocr</artifactId><version>3.1.270</version></dependency>
将pdf文件转为image图片
public static String pdfToBase64(String pdfUrl){InputStream is = null;ByteArrayOutputStream os = null;String dUrlData="";byte[] buff = new byte[1024];int len = 0;try {is = new FileInputStream(new File(pdfUrl));os = new ByteArrayOutputStream();while ((len = is.read(buff)) != -1) {os.write(buff, 0, len);}os.flush();os.toByteArray();dUrlData = Base64.getEncoder().encodeToString(os.toByteArray());} catch (IOException e) {} finally {if (is != null) {try {is.close();} catch (IOException e) {}}if (os != null) {try {os.close();} catch (IOException e) {}}}return pdfToImg(dUrlData);}
public static String pdfToImg(String base64){String jpg_base64 = null;BASE64Decoder decoder = new BASE64Decoder();try {// Base64解码byte[] pdf_bytes = decoder.decodeBuffer(base64);PDDocument doc = PDDocument.load(pdf_bytes);int size = doc.getNumberOfPages();/*图像合并使用的参数*///定义宽度int width = 0;// 保存一张图片中的RGB数据int[] singleImgRGB;// 定义高度，后面用于叠加int shiftHeight = 0;//保存每张图片的像素值BufferedImage imageResult = null;// 利用PdfBox生成图像PDDocument pdDocument = doc;PDFRenderer renderer = new PDFRenderer(pdDocument);/*根据总页数, 按照50页生成一张长图片的逻辑, 进行拆分*/// 每50页转成1张图片int pageLength = size; //有多少转多少// 总计循环的次数int totalCount = pdDocument.getNumberOfPages() / pageLength + 1;for (int m = 0; m < totalCount; m++) {for (int i = 0; i < pageLength; i++) {int pageIndex = i + (m * pageLength);if (pageIndex == pdDocument.getNumberOfPages()) {break;}// 96为图片的dpi，dpi越大，则图片越清晰，图片越大，转换耗费的时间也越多BufferedImage image = renderer.renderImageWithDPI(pageIndex, 106, ImageType.RGB);int imageHeight = image.getHeight();int imageWidth = image.getWidth();if (i == 0) {//计算高度和偏移量//使用第一张图片宽度;width = imageWidth;// 保存每页图片的像素值// 加个判断：如果m次循环后所剩的图片总数小于pageLength，则图片高度按剩余的张数绘制，否则会出现长图片下面全是黑色的情况if ((pdDocument.getNumberOfPages() - m * pageLength) < pageLength) {imageResult = new BufferedImage(width, imageHeight * (pdDocument.getNumberOfPages() - m * pageLength), BufferedImage.TYPE_INT_RGB);} else {imageResult = new BufferedImage(width, imageHeight * pageLength, BufferedImage.TYPE_INT_RGB);}} else {// 将高度不断累加shiftHeight += imageHeight;}singleImgRGB = image.getRGB(0, 0, width, imageHeight, null, 0, width);imageResult.setRGB(0, shiftHeight, width, imageHeight, singleImgRGB, 0, width);}// 这个很重要，下面会有说明shiftHeight = 0;}pdDocument.close();ByteArrayOutputStream baos = new ByteArrayOutputStream();//io流ImageIO.write(imageResult, "png", baos);//写入流中byte[] jpg_Bytes = baos.toByteArray();//转换成字节BASE64Encoder encoder = new BASE64Encoder();jpg_base64 = encoder.encodeBuffer(jpg_Bytes).trim();//转换成base64串jpg_base64 = jpg_base64.replaceAll("\n", "").replaceAll("\r", "");//删除 \r\nbaos.close();doc.close();} catch (Exception e) {e.printStackTrace();}return jpg_base64;}
3、完成pdf的读取
public static String ocrScanPdf(String pdfUrl) throws TencentCloudSDKException {Credential cred = new Credential("secretId", "secretkey");// 实例化一个http选项，可选的，没有特殊需求可以跳过HttpProfile httpProfile = new HttpProfile();httpProfile.setEndpoint("");// 实例化一个client选项，可选的，没有特殊需求可以跳过ClientProfile clientProfile = new ClientProfile();clientProfile.setHttpProfile(httpProfile);// 实例化要请求产品的client对象,clientProfile是可选的OcrClient client = new OcrClient(cred, "ap-shanghai", clientProfile);// 实例化一个请求对象,每个接口都会对应一个request对象GeneralBasicOCRRequest req = new GeneralBasicOCRRequest();String image = pdfToBase64(pdfUrl);req.setImageBase64(image);// 返回的resp是一个GeneralBasicOCRResponse的实例，与请求对象对应GeneralBasicOCRResponse resp = client.GeneralBasicOCR(req);// 输出json格式的字符串回包return GeneralBasicOCRResponse.toJsonString(resp);}
