使用插件：UMI-OCR、PDFBOX

实现思路：通过PDFBOX识别PDF文字，如果是图片，则识别不出来，再调用OCR进行识别返回文字；OCR识别较慢，长图识别不出来，目前HTTP方式只支持图片格式，还需使用PDFBOX要将每一页PDF转换为图片再进行识别拼接。

UMI-OCR下载地址：https://github.com/hiroi-sora/Umi-OCR/releases/latest

git仓库地址:GitHub - hiroi-sora/Umi-OCR: OCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语言库。

下载后直接在WIN系统安装（目前只支持WIN系统），安装包内含PaddleOCR-json，无需再进行下载；安装启动，设置HTTP请求参数

全局设置 --> 高级 --> 允许HTTP服务：

主机设置为：任何可用地址

端口：自己设置

PDFBOX MAVEN版本配置：

 <!-- PDF文档处理 --><dependency><groupId>org.apache.pdfbox</groupId><artifactId>pdfbox</artifactId><version>2.0.8</version></dependency>

代码实现文字识别：

String text = "";try {PDDocument pdDocument = PDDocument.load(image.getInputStream());PDFTextStripper pdfTextStripper = new PDFTextStripper();//读取pdf中所有的文件//前端HTML不识别><,需要进行更换text = pdfTextStripper.getText(pdDocument);text = text.replace(" ", "").replace("\r", "").replace("\t", "").replace("\n", "");if (StrUtil.isNotEmpty(text)){text = text.replace("<","&lt;").replace(">","&gt;");}else{/*** 如果没有识别到文字，* 则转成图片* 进行OCR识别获取文本*/text = uploadPDF2OcrGetText(accessUrl, image);}}catch (IOException e){log.error(e.getMessage());}

如果文档里面含有"<"">"，前端HTML不识别，则需要进行转换

uploadPDF2OcrGetText：

    /*** 上传图片文件至OCR* @param accessUrl 访问地址* @param image 图片文件* @return*/public static String uploadPDF2OcrGetText(String accessUrl, MultipartFile image) {List<ByteArrayOutputStream> list = getStreamList(image);StringBuilder sb = new StringBuilder();if (list != null && !list.isEmpty()){for (ByteArrayOutputStream outputStream : list) {String str = getData(accessUrl, outputStream);if (StrUtil.isNotEmpty(str)){sb.append(str);}}}return sb.toString();}

将PDF转为图片流方法getStreamList：

    /*** PDFBOX将PDF转成png流* @param file 图片文件* @return List*/public static List<ByteArrayOutputStream> getStreamList(MultipartFile file) {List<ByteArrayOutputStream> list = new ArrayList<>();try{PDDocument pdf = PDDocument.load(file.getInputStream());PDFRenderer renderer = new PDFRenderer(pdf);int pageCount = pdf.getNumberOfPages();for (int i = 0; i < pageCount; i++){BufferedImage image = renderer.renderImageWithDPI(i, 120);//120为DPI根据自己设置ByteArrayOutputStream bas = new ByteArrayOutputStream();ImageIO.write(image, "png", bas);list.add(bas);}}catch (IOException e){log.error(e.getMessage());}return list;}

调用OCR识别文字方法getData：

 /*** 上传图片文件至OCR* @param accessUrl 访问地址* @param outputStream 图片流* @return*/public static String getData(String accessUrl, ByteArrayOutputStream outputStream){//转换为Base64String base64Image = new String(Base64.encodeBase64(outputStream.toByteArray()));//如果文件属于图片则进行文件转换JSONObject jb = new JSONObject();jb.set("base64", base64Image);JSONObject jb1 = new JSONObject();jb1.set("tbpu.parser", "multi_para");jb1.set("data.format", "text");jb.set("options", jb1);String result2 = HttpRequest.post(accessUrl).body(jb.toString())//表单内容.timeout(300000)//数据可能较大，超时时间调的较长.execute().body();JSONObject jsonObject = JSONUtil.parseObj(result2);String text = null;if ("100".equals(jsonObject.getStr("code"))){text = jsonObject.getStr("data");}return text;}