垃圾站 生活小记 Java实现识别获取pdf中文字信息

Java实现识别获取pdf中文字信息

平时工作或者开发过程中如果遇到需要识别pdf发票中信息的情况,如获取发票代码号码,开票日期,校验码等,比如下面的发票,项目中需要读取发票中信息 !

在这里插入图片描述

二、方法原理

使用java中的pdfbox组件引用jar包使用,其中PDFTextStripper负责读取pdf中的文字信息,使用正则表达式寻找文字信息或者使用字符串定位寻找信息

首先在pom文件中引用pdfbox, 引用pdfbox代码如下

<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>2.0.23</version>
</dependency> 

三、代码实现

在引入pdfbox后,我们之间获取pdf文件信息,从前台传的文件中进行如下操作,

//multipartFile为multipartFile文件类型,将文件转化为文件流被PDDocument加载
PDDocument document = PDDocument.load(multipartFile.getInputStream());
document.getClass();
//使用PDFTextStripper 工具
PDFTextStripper tStripper = new PDFTextStripper();
//设置文本排序,有规则输出
tStripper.setSortByPosition(true);
//获取所有文字信息
String info = tStripper.getText(document);

获取得到的发票信息如下所示是一些杂乱的文字信息

我们现在目的是从这些杂乱信息中获取我们想要的信息,如发票代码,发票号码,开票日期,校验码

下面就有两种方式获取这些信息,两种方式原理不同,可以分开使用也可以结合使用(更加万无一失)

方式一:使用正则表达式寻找关键信息

寻找相似点,例如发票代码附近就有换行符的存在【\r\n】其他信息周围存在着空格或者年月日等字眼,通过这种方式我们来写正则匹配方式(正则其实我也不很会,看着其他正则写的)

例如发票号码就是一个8位1-9的数字,周围都是是【\r\n】于是我们可以写成这样

[\r\n][0-9]{8}[\r\n]

其他的正则表达式可以写成

//发票代码

[0-9]{12}[\r]

//开票日期

\d{4}[年]\d{2}[月]\d{2}[日]

//校验码

[ ]\d{5}[ ]\d{5}[ ]\d{5}[ ]\d{5}

这样正则表达式就写完成了,通过表达式可以从散乱的信息中找到我们要的信息了

方式二:通过String寻找关键词位置

这项有个缺点就是需要【发票代码:013002100111】这种形式的数据,如果不是的话就定位不到数据信息,原理是需找到【发票代码】的位置,然后取对应数量位的数字值,代码如下

int index = info.indexOf("发票代码");

if (index == -1) {

index = info.indexOf(key2);

if (index == -1 || index == 0) {

index = info.indexOf(key + " :");

}

}

if ("发票代码".equals(key)) {

String fpdm = info.substring(index + 5, index + 18);

text = fpdm.replace(" ", "").replace(":", "").trim();

text = text.length() > 12 ? text.substring(0, 12) : text;

text = text.length() == 12 ? text : "";

}

通过定位找到对应的信息

上一篇
下一篇
联系我们

联系我们

返回顶部