使用 Tesseract OCR 将 PDF 转换为文本

Posted

技术标签:

【中文标题】使用 Tesseract OCR 将 PDF 转换为文本【英文标题】:Converting a PDF to text using Tesseract OCR 【发布时间】:2015-09-04 16:10:20 【问题描述】:

AIM:将 PDF 转换为 base64,其中 PDF 可以是普通 PDF 或扫描的。

我正在使用 Tesseract OCR 将扫描的 PDF 转换为文本文件。由于我在 Java 中工作,因此我为此使用 terr4j 库。

我认为的程序流程如下:

Get PDF file ---> Convert each page to image using Ghost4j ---> Pass each image to tess4f for OCR ---> convert whole text to base64.

我已经能够使用以下代码将 PDF 文件转换为图像:

package helpers;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import java.awt.Image;
import java.awt.image.RenderedImage;
import java.util.List;
import javax.imageio.ImageIO;

import org.ghost4j.document.DocumentException;
import org.ghost4j.document.PDFDocument;
import org.ghost4j.analyzer.FontAnalyzer;
import org.ghost4j.renderer.RendererException;
import org.ghost4j.renderer.SimpleRenderer;
import net.sourceforge.tess4j.*;

class encoder 
    public static byte[] createByteArray(File pCurrentFolder, String pNameOfBinaryFile) 
        String pathToBinaryData = pCurrentFolder.getAbsolutePath()+"/"+pNameOfBinaryFile;

        File file = new File(pathToBinaryData);
        if (!file.exists()) 
            System.out.println(pNameOfBinaryFile+" could not be found in folder "+pCurrentFolder.getName());
            return null;
        

        FileInputStream fin = null;
        try 
            fin = new FileInputStream(file);
         catch (FileNotFoundException e) 
            e.printStackTrace();
        

        byte fileContent[] = new byte[(int) file.length()];
        try 
            if (fin != null)
                fin.read(fileContent);
         catch (IOException e) 
            e.printStackTrace();
        
        return fileContent;
    

    public void covertToImage(File pdfDoc) 
        PDFDocument document = new PDFDocument();
        try 
            document.load(pdfDoc);
         catch (IOException e) 
            e.printStackTrace();
        
        SimpleRenderer renderer = new SimpleRenderer();
        renderer.setResolution(300);
        List<Image> images = null;
        try 
            images = renderer.render(document);
         catch (IOException e) 
            e.printStackTrace();
         catch (RendererException e) 
            e.printStackTrace();
         catch (DocumentException e) 
            e.printStackTrace();
        
        try 
            if (images != null) 
                // for testing only 1 page
                ImageIO.write((RenderedImage) images.get(10), "png", new File("/home/cloudera/Downloads/1.png"));
            
         catch (IOException e) 
            e.printStackTrace();
        
    


public class encodeFile 
    public static void main(String[] args) 
        /* This part is for pure PDF files i.e. not scanned */
        //byte[] arr = encoder.createByteArray(new File("/home/cloudera/Downloads/"), "test.pdf");
        //String result = javax.xml.bind.DatatypeConverter.printBase64Binary(arr);
        //System.out.println(result);

        /* This part create the image for a page of scanned PDF file */
        new encoder().covertToImage(new File("/home/cloudera/Downloads/isl99201.pdf")); // results in 1.png

        /* This part is for OCR */
        Tesseract instance = new Tesseract();
        String res = instance.doOCR(new File("/home/cloudera/Downloads/1.png"));
        System.out.println(res);
    

运行此程序会产生以下错误:

当我尝试从 PDF 创建图像时会发生这种情况。我已经看到,如果我从 build.sbt 中删除 tess4j,则创建的图像没有任何错误,但我必须使用它。

Connected to the target VM, address: '127.0.0.1:46698', transport: 'socket'
Exception in thread "main" java.lang.AbstractMethodError: com.sun.jna.Structure.getFieldOrder()Ljava/util/List;
    at com.sun.jna.Structure.fieldOrder(Structure.java:884)
    at com.sun.jna.Structure.getFields(Structure.java:910)
    at com.sun.jna.Structure.deriveLayout(Structure.java:1058)
    at com.sun.jna.Structure.calculateSize(Structure.java:982)
    at com.sun.jna.Structure.calculateSize(Structure.java:949)
    at com.sun.jna.Structure.allocateMemory(Structure.java:375)
    at com.sun.jna.Structure.<init>(Structure.java:184)
    at com.sun.jna.Structure.<init>(Structure.java:172)
    at com.sun.jna.Structure.<init>(Structure.java:159)
    at com.sun.jna.Structure.<init>(Structure.java:151)
    at org.ghost4j.GhostscriptLibrary$display_callback_s.<init>(GhostscriptLibrary.java:63)
    at org.ghost4j.Ghostscript.buildNativeDisplayCallback(Ghostscript.java:381)
    at org.ghost4j.Ghostscript.initialize(Ghostscript.java:336)
    at org.ghost4j.renderer.SimpleRenderer.run(SimpleRenderer.java:105)
    at org.ghost4j.renderer.AbstractRemoteRenderer.render(AbstractRemoteRenderer.java:86)
    at org.ghost4j.renderer.AbstractRemoteRenderer.render(AbstractRemoteRenderer.java:70)
    at helpers.encoder.covertToImage(encodeFile.java:62)
    at helpers.encodeFile.main(encodeFile.java:86)
Disconnected from the target VM, address: '127.0.0.1:46698', transport: 'socket'

Process finished with exit code 1

将任何图像传递给tess4j时发生此错误:

Connected to the target VM, address: '127.0.0.1:46133', transport: 'socket'
Exception in thread "main" java.lang.UnsatisfiedLinkError: Unable to load library 'tesseract': Native library (linux-x86-64/libtesseract.so) not found in resource path (....)
    at com.sun.jna.NativeLibrary.loadLibrary(NativeLibrary.java:271)
    at com.sun.jna.NativeLibrary.getInstance(NativeLibrary.java:398)
    at com.sun.jna.Library$Handler.<init>(Library.java:147)
    at com.sun.jna.Native.loadLibrary(Native.java:412)
    at com.sun.jna.Native.loadLibrary(Native.java:391)
    at net.sourceforge.tess4j.util.LoadLibs.getTessAPIInstance(LoadLibs.java:78)
    at net.sourceforge.tess4j.TessAPI.<clinit>(TessAPI.java:40)
    at net.sourceforge.tess4j.Tesseract.init(Tesseract.java:360)
    at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:273)
    at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:205)
    at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:189)
    at helpers.encodeFile.main(encodeFile.java:89)
Disconnected from the target VM, address: '127.0.0.1:46133', transport: 'socket'

Process finished with exit code 1

我正在使用 64 位 CentOS 6.6 上的 SBT 处理 Intellij。通过一些互联网搜索,我能够理解上述问题,但我面临两个限制:

正在使用的 JNA 库默认为最新版本,即 4.1.0。我在互联网上阅读了有关 JNA 与其他库之间可能发生的不兼容问题。所以我尝试指定3.4.0的旧版本。但是 build.sbt 一直拒绝这样做。

我使用的是 64 位系统,tessearct 可以使用 32 位系统。我应该如何将它集成到项目中?

以下是来自build.sbt 的部分,它处理所有必需的库:

"org.ghost4j" % "ghost4j" % "0.5.1",
"org.bouncycastle" % "bctsp-jdk14" % "1.46",
"net.sourceforge.tess4j" % "tess4j" % "2.0.0",
"com.github.jai-imageio" % "jai-imageio-core" % "1.3.0"
 "net.java.dev.jna" % "jna" % "3.4.0", // does not make any difference as only 4.1.0 is installed.

请帮我解决这个问题。

更新:我将"net.java.dev.jna" % "jna" % "3.4.0" force() 添加到build.sbt,它解决了我的第一个问题。

【问题讨论】:

【参考方案1】:

这个问题的解决方法在于我在github上找到的Tesseract-API。我将它分叉到my Github 帐户,并为扫描的图像添加了test,并进行了一些代码重构。这种图书馆的方式开始正常运作。我用于测试的扫描文档是here。

我在 Travis 上成功构建了它,现在它可以在 32 位和 64 位系统上正常工作。

【讨论】:

接受您自己的答案,将问题标记为已解决。

以上是关于使用 Tesseract OCR 将 PDF 转换为文本的主要内容,如果未能解决你的问题,请参考以下文章

Tesseract ocr PDF 作为输入

用 R 做 OCR

具有表格或行的文档的 Tesseract OCR 文本顺序

Tesseract OCR 无法识别除法符号“÷”

将pdf转换为图像但放大后

通过删除特殊字符改进 Tesseract OCR 结果