Java调用Umi-OCR实现PDF识别的技术实践

在实际开发中，我们经常需要将PDF文档中的文字内容提取出来进行处理。Umi-OCR作为一款优秀的开源OCR工具，提供了多种调用方式。本文将详细介绍如何在Java环境中通过命令行方式调用Umi-OCR实现PDF识别功能。

技术背景

Umi-OCR是一款基于PaddleOCR的桌面OCR软件，除了提供图形界面外，还支持命令行调用。通过其CLI接口，开发者可以灵活地集成到各种自动化流程中。

实现方案

方案一：直接命令行调用

最直观的方式是直接通过Java的Runtime.exec()方法执行Umi-OCR命令。命令格式如下：

umi-ocr --call_qml BatchDOC --func addDocs "[\"文件路径\"]"

但在实际测试中发现，这种方式在Java中执行时会出现参数解析问题，导致命令无法正确执行。

方案二：批处理脚本中转

更可靠的解决方案是通过创建临时批处理脚本(.bat)来中转执行命令。这种方法有以下优势：

1. 可以确保命令格式正确
2. 可以处理复杂的路径和参数
3. 便于调试和日志记录

具体实现代码

以下是完整的Java实现代码示例：

import java.io.File;
import java.io.IOException;
import cn.hutool.core.date.DateUtil;
import cn.hutool.core.io.file.FileWriter;
import cn.hutool.core.util.RuntimeUtil;

public class OcrShellUtils {
    
    public static void processPdfWithUmiOCR(String pdfPath) throws IOException {
        // Umi-OCR可执行文件路径
        String umiExePath = "C:\\Umi-OCR_Paddle_v2.1.3\\Umi-OCR.exe";
        String umiDirPath = "C:\\Umi-OCR_Paddle_v2.1.3";
        
        // 检查并启动Umi-OCR进程
        ensureUmiOcrRunning(umiExePath);
        
        // 确保BatchDOC模块可用
        ensureBatchDocModuleAvailable(umiExePath);
        
        // 创建处理PDF的批处理脚本
        String batContent = buildBatScript(umiDirPath, pdfPath);
        String batPath = umiDirPath + "\\bat\\" + DateUtil.currentSeconds() + ".bat";
        writeBatFile(batPath, batContent);
        
        // 执行批处理脚本
        RuntimeUtil.execForStr(batPath);
        
        // 启动文档处理
        startDocProcessing(umiDirPath);
    }
    
    private static void ensureUmiOcrRunning(String umiExePath) {
        String process = RuntimeUtil.execForStr("tasklist");
        if (!process.contains("Umi-OCR.exe")) {
            try {
                new ProcessBuilder(umiExePath).start();
            } catch (Exception e) {
                System.err.println("启动Umi-OCR失败: " + e.getMessage());
            }
        }
    }
    
    private static void ensureBatchDocModuleAvailable(String umiExePath) {
        String str = RuntimeUtil.execForStr(umiExePath + " Umi-OCR --all_modules");
        if (!str.contains("BatchDOC")) {
            RuntimeUtil.execForStr(umiExePath + " Umi-OCR --add_page 3");
        }
    }
    
    private static String buildBatScript(String umiDirPath, String pdfPath) {
        return "@echo off\n" +
               "chcp 65001\n" +
               "cd /D \"" + umiDirPath + "\" && " +
               "Umi-OCR --call_qml BatchDOC --func addDocs " +
               "\"[\\\"" + pdfPath + "\\\"]\"\n";
    }
    
    private static void writeBatFile(String batPath, String content) throws IOException {
        File batDir = new File(batPath).getParentFile();
        if (!batDir.exists()) {
            batDir.mkdirs();
        }
        FileWriter writer = new FileWriter(batPath);
        writer.write(content);
    }
    
    private static void startDocProcessing(String umiDirPath) throws IOException {
        String qidongBatPath = umiDirPath + "\\bat\\qidong.bat";
        if (!new File(qidongBatPath).exists()) {
            String content = "@echo off\n" +
                            "chcp 65001\n" +
                            "cd /D \"" + umiDirPath + "\" && " +
                            "Umi-OCR --call_qml BatchDOC --func docStart";
            writeBatFile(qidongBatPath, content);
        }
        RuntimeUtil.execForStr(qidongBatPath);
    }
}

技术要点解析

1. 进程管理：通过检查tasklist输出确保Umi-OCR进程已运行，未运行时自动启动。

2. 模块检查：确认BatchDOC模块可用，必要时通过--add_page参数添加。

3. 批处理脚本构建：

   • 使用chcp 65001确保中文路径支持
   • 正确处理包含空格的路径
   • 规范JSON参数格式

4. 文档处理启动：单独创建并执行启动处理的脚本，确保识别流程完整。

注意事项

1. 路径处理要特别注意转义字符和空格问题
2. 建议使用绝对路径确保可靠性
3. 批处理脚本临时目录需要提前创建
4. 字符编码设置为UTF-8(chcp 65001)避免中文乱码

扩展建议

对于更复杂的应用场景，可以考虑：

1. 使用Java的ProcessBuilder更精细地控制进程
2. 添加超时处理和错误重试机制
3. 实现进度监控和回调通知
4. 考虑使用Umi-OCR的HTTP接口实现更稳定的集成

通过这种批处理脚本中转的方式，可以有效解决Java直接调用命令行工具时的参数传递问题，实现稳定可靠的PDF识别功能集成。