PDFBox + Tess4J 从PDF中提取图片OCR识别文字

Java用PDFBox+Tess4J从PDF提取图片OCR识别

原创

已于 2025-07-01 11:39:09 修改 · 527 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#pdf #ocr

于 2025-07-01 10:44:45 首次发布

说明

记录一个完整的 Java 示例，展示如何使用 PDFBox + Tess4J 从 PDF 中提取图片，并通过 OCR 识别图片中的文字，当前仅仅支持基础功能。

功能说明

读取一个 PDF 文件
将每一页渲染成图片（高分辨率）
使用 Tess4J 对每一页图片进行 OCR
打印识别结果

maven依赖

<!-- PDFBox -->
<dependency>
  <groupId>org.apache.pdfbox</groupId>
  <artifactId>pdfbox</artifactId>
  <version>2.0.30</version>
</dependency>

<!-- Tess4J -->
<dependency>
  <groupId>net.sourceforge.tess4j</groupId>
  <artifactId>tess4j</artifactId>
  <version>5.11.0</version