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.
- Создайте новый PDF-документ Document.
- Добавьте страницу Page в документ.
- Создайте объект TextFragment и добавьте его на страницу.
- 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.
- Подготовьте временный каталог для изображения, вывода HOCR и журнала OCR.
- Реализуйте Document.CallBackGetHocr и сохраните каждое предоставленное изображение в файл JPEG.
- Вызовите общий вспомогательный метод
runTesseractс форматом выводаhocr. - Прочитайте сгенерированный файл
.hocr, удалите временные файлы и верните разметку из обратного вызова. - Откройте исходный документ Document и передайте обратный вызов в
convert. - 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.
- Создайте уникальный временный каталог для отрендеренного изображения, сгенерированного PDF и журнала OCR.
- Откройте исходный документ Document и создайте пустой выходной документ.
- Создайте PngDevice с Resolution с разрешением 600 DPI.
- Переберите объекты Page исходного документа и отрисуйте каждую страницу с помощью
process. - Вызовите общий вспомогательный метод
runTesseractс форматом выводаpdfи добавьте сгенерированный PDF с помощью Document.merge. - 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();
}
}
}