Создание PDF-файлов на Java

Aspose.PDF for Java поддерживает как простое создание документов, так и рабочие процессы поисковых PDF с поддержкой OCR.

Создание нового PDF-документа

Используйте этот подход, когда необходимо создать простой PDF‑файл с нуля.

  1. Создайте новый PDF-документ Document.
  2. Добавьте страницу Page в документ.
  3. Создайте объект TextFragment и добавьте его на страницу.
  4. Сохраните выходной PDF-документ Document.
public static void createNewDocument(Path outputFile) {
    try (Document document = new Document()) {
        Page page = document.getPages().add();
        page.getParagraphs().add(new TextFragment("Hello World!"));
        document.save(outputFile.toString());
    }
}

Создание PDF с возможностью поиска

Отсканированный PDF содержит изображения текста. Используйте внешний OCR-движок для распознавания текста и сделайте его доступным для поиска и выделения. Ниже приведённые примеры используют Tesseract для возврата разметки HOCR в Aspose.PDF или для создания страниц PDF с распознанным текстом, которые затем объединяются.

Установите Tesseract 4 или более новую версию с данными английского языка LSTM перед запуском этих примеров. Укажите путь к исполняемому файлу в TESSERACT_PATH в общем вспомогательном методе ниже или используйте "tesseract", если он доступен в PATH. Оба примера используют один и тот же вспомогательный метод и требуют Java 11 или новее. Разместите методы и константы в одном классе и включите эти импорты:

Создание PDF с возможностью поиска с помощью обратного вызова HOCR

Используйте Document.CallBackGetHocr для передачи распознанного текста и его координат в Aspose.PDF. Tesseract генерирует разметку HOCR, а Aspose.PDF использует её для добавления в документ на основе изображений текстового слоя с возможностью поиска.

  1. Подготовьте временный каталог для изображения, вывода HOCR и журнала OCR.
  2. Реализуйте Document.CallBackGetHocr и сохраните каждое предоставленное изображение в файл JPEG.
  3. Вызовите общий вспомогательный метод runTesseract с форматом вывода hocr.
  4. Прочитайте сгенерированный файл .hocr, удалите временные файлы и верните разметку из обратного вызова.
  5. Откройте исходный документ Document и передайте обратный вызов в convert.
  6. Проверьте результат конвертации и сохраните поисковый PDF, используя save.
import com.aspose.pdf.Document;
import com.aspose.pdf.Page;
import com.aspose.pdf.devices.PngDevice;
import com.aspose.pdf.devices.Resolution;

import javax.imageio.ImageIO;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.nio.file.Files;
import java.nio.file.Path;
import java.util.Scanner;
import java.util.concurrent.TimeUnit;

public static void createSearchablePdf_1(Path inputFile, Path outputFile) {
    Path tempDir = outputFile.toAbsolutePath().getParent().resolve("ocr-temp");

    // Create callBack - logic recognize text for PDF images. Use outer OCR supports
    // HOCR standard(http://en.wikipedia.org/wiki/HOCR).
    // We have used free google tesseract
    // OCR(http://en.wikipedia.org/wiki/Tesseract_%28software%29)

    Document.CallBackGetHocr callBackGetHocr = new Document.CallBackGetHocr() {
        @Override
        public String invoke(java.awt.image.BufferedImage img) {
            File outputfile = tempDir.resolve("test.jpg").toFile();
            try {
                Files.createDirectories(tempDir);
                ImageIO.write(img, "jpg", outputfile);
            } catch (IOException e1) {
                throw new java.io.UncheckedIOException("Failed to write OCR image.", e1);
            }

            try {
                Path outputBase = tempDir.resolve("out");
                runTesseract(outputfile.toPath(), outputBase, "hocr", tempDir.resolve("tesseract.log"));
            } catch (IOException e) {
                throw new java.io.UncheckedIOException("Tesseract OCR failed.", e);
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
                throw new IllegalStateException("Tesseract OCR was interrupted.", e);
            }

            // Read the HOCR output as a string.
            File file = tempDir.resolve("out.hocr").toFile();
            StringBuilder fileContents = new StringBuilder((int) file.length());
            Scanner scanner = null;
            try {
                scanner = new Scanner(file);
                String lineSeparator = System.getProperty("line.separator");

                while (scanner.hasNextLine()) {
                    fileContents.append(scanner.nextLine() + lineSeparator);
                }
            } catch (FileNotFoundException e) {
                throw new java.io.UncheckedIOException("Tesseract OCR failed.", e);
            } finally {
                if (scanner != null)
                    scanner.close();
            }

            // deleting temp files
            File fileOut = tempDir.resolve("out.hocr").toFile();
            if (fileOut.exists()) {
                fileOut.delete();
            }
            File fileLog = tempDir.resolve("tesseract.log").toFile();
            if (fileLog.exists()) {
                fileLog.delete();
            }
            File fileTest = tempDir.resolve("test.jpg").toFile();
            if (fileTest.exists()) {
                fileTest.delete();
            }

            return fileContents.toString();
        }
    };
    // End callBack
    try (Document document = new Document(inputFile.toString())) {
        if (!document.convert(callBackGetHocr))
            throw new RuntimeException("Failed to convert document.");
        document.save(outputFile.toString());
    }
}

В этом примере используются фиксированные имена файлов внутри ocr-temp. Используйте отдельный временный каталог для каждого преобразования, если адаптируете его для параллельной обработки.

Создание PDF с возможностью поиска путем распознавания отрисованных страниц

Отобразите каждую страницу как PNG‑изображение, позвольте Tesseract создать поисковый PDF для этого изображения и объедините сгенерированные PDF‑файлы в один документ. Вывод основан на отрисованных изображениях страниц с распознанным текстом, поэтому существующие интерактивные элементы не перенесутся.

  1. Создайте уникальный временный каталог для отрендеренного изображения, сгенерированного PDF и журнала OCR.
  2. Откройте исходный документ Document и создайте пустой выходной документ.
  3. Создайте PngDevice с Resolution с разрешением 600 DPI.
  4. Переберите объекты Page исходного документа и отрисуйте каждую страницу с помощью process.
  5. Вызовите общий вспомогательный метод runTesseract с форматом вывода pdf и добавьте сгенерированный PDF с помощью Document.merge.
  6. Сохраните объединенный поисковый PDF и удалите временные файлы в блоке finally.
public static void createSearchablePdf_2(Path inputFile, Path outputFile)
        throws IOException, InterruptedException {
    Path outputDirectory = outputFile.toAbsolutePath().getParent();
    Files.createDirectories(outputDirectory);
    Path tempDir = Files.createTempDirectory(outputDirectory, "ocr-");
    Path tempImage = tempDir.resolve("page.png");
    Path tempDoc = tempDir.resolve("page");
    Path tempPdf = tempDir.resolve("page.pdf");
    Path tempLog = tempDir.resolve("page.log");
    Throwable failure = null;
    try (Document inputDocument = new Document(inputFile.toString());
         Document outputDocument = new Document()) {
        PngDevice pngDevice = new PngDevice(new Resolution(600));
        for (Page page : inputDocument.getPages()) {
            pngDevice.process(page, tempImage.toString());
            runTesseract(tempImage, tempDoc, "pdf", tempLog);
            outputDocument.merge(tempPdf.toString());
            Files.deleteIfExists(tempPdf);
        }
        outputDocument.save(outputFile.toString());
    } catch (InterruptedException e) {
        failure = e;
        Thread.currentThread().interrupt();
        throw e;
    } catch (IOException | RuntimeException | Error e) {
        failure = e;
        throw e;
    } finally {
        IOException cleanupFailure = null;
        for (Path path : new Path[]{tempImage, tempPdf, tempLog, tempDir}) {
            try {
                Files.deleteIfExists(path);
            } catch (IOException e) {
                if (cleanupFailure == null) {
                    cleanupFailure = e;
                } else {
                    cleanupFailure.addSuppressed(e);
                }
            }
        }
        if (cleanupFailure != null) {
            if (failure != null) {
                failure.addSuppressed(cleanupFailure);
            } else {
                throw cleanupFailure;
            }
        }
    }
}

Запуск Tesseract из примеров

Добавьте эти константы и общий вспомогательный метод в тот же класс, что и примеры. Вспомогательный метод использует английский язык (eng), LSTM‑движок (--oem 1) и автоматическое разделение страниц (--psm 3). Он записывает диагностический вывод в журнал, ждёт до двух минут и проверяет, что был создан непустой файл результата. Он завершает процесс, если он всё ещё работает, при выходе из вспомогательного метода.

// Change this to match your installation, or use "tesseract" for PATH lookup.
private static final String TESSERACT_PATH = "C:\\Program Files\\Tesseract-OCR\\tesseract.exe";
private static final long TESSERACT_TIMEOUT_MINUTES = 2;

private static void runTesseract(Path image, Path outputBase, String format, Path log)
        throws IOException, InterruptedException {
    Path result = Path.of(outputBase + "." + format);
    Files.deleteIfExists(result);
    ProcessBuilder builder = new ProcessBuilder(
            TESSERACT_PATH, image.toString(), outputBase.toString(),
            "-l", "eng", "--oem", "1", "--psm", "3", format);
    builder.redirectErrorStream(true);
    builder.redirectOutput(log.toFile());
    Process process = builder.start();
    try {
        process.getOutputStream().close();
        if (!process.waitFor(TESSERACT_TIMEOUT_MINUTES, TimeUnit.MINUTES)) {
            throw new IOException("Tesseract timed out after "
                    + TESSERACT_TIMEOUT_MINUTES + " minutes while processing " + image);
        }
        if (process.exitValue() != 0 || !Files.isRegularFile(result)
                || Files.size(result) == 0) {
            throw new IOException("Tesseract failed (exit " + process.exitValue()
                    + ") while processing " + image + ": " + Files.readString(log));
        }
    } finally {
        if (process.isAlive()) {
            process.destroyForcibly();
            process.onExit().join();
        }
    }
}