咨询：如何用Java读取扫描PDF表单填写框坐标及数据适配JS表单

一、用Java识别扫描PDF中填写框的精准坐标 #

扫描PDF本质是内嵌图像的PDF，需先提取图像再做图像分析：

1. 提取PDF中的扫描图像
   用Apache PDFBox库加载PDF，提取页面内的图像：

   PDDocument document = PDDocument.load(new File("scanned-form.pdf"));
   PDPage page = document.getPage(0); // 默认处理第一页，可按需遍历多页
   PDResources resources = page.getResources();
   for (COSName name : resources.getXObjectNames()) {
       PDXObject xobject = resources.getXObject(name);
       if (xobject instanceof PDImageXObject) {
           PDImageXObject image = (PDImageXObject) xobject;
           BufferedImage bufferedImage = image.getImage();
           // 后续基于该BufferedImage处理
       }
   }
   document.close();
   

2. 图像预处理与轮廓检测
   通过OpenCV对图像做灰度化、二值化，突出填写框的矩形轮廓：

   // 将BufferedImage转换为OpenCV的Mat对象（需自行实现转换工具方法）
   Mat mat = BufferedImage2Mat(bufferedImage);
   // 灰度化
   Imgproc.cvtColor(mat, mat, Imgproc.COLOR_BGR2GRAY);
   // 二值化（阈值可根据表单实际情况调整）
   Imgproc.threshold(mat, mat, 127, 255, Imgproc.THRESH_BINARY_INV);
   // 提取轮廓
   List<MatOfPoint> contours = new ArrayList<>();
   Mat hierarchy = new Mat();
   Imgproc.findContours(mat, contours, hierarchy, Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_SIMPLE);
   

3. 筛选填写框并转换坐标
   遍历轮廓筛选符合填写框尺寸的矩形，同时将图像坐标转换为PDF标准坐标（PDF原点在左下角，图像原点在左上角）：

   // 定义存储填写框信息的实体类
   class FormField {
       private float x;
       private float y;
       private float width;
       private float height;
       private int pageNum;
       private String text; // 后续存储识别的手写内容
       // 构造器、getter/setter方法
   }
   
   List<FormField> fields = new ArrayList<>();
   PDPageMediaBox mediaBox = page.getMediaBox();
   float pdfPageHeight = mediaBox.getHeight();
   float scaleX = mediaBox.getWidth() / bufferedImage.getWidth();
   float scaleY = pdfPageHeight / bufferedImage.getHeight();
   
   for (MatOfPoint contour : contours) {
       Rect rect = Imgproc.boundingRect(contour);
       // 根据表单实际尺寸过滤无效轮廓
       if (rect.width > 40 && rect.height > 15 && rect.width < 600 && rect.height < 120) {
           float pdfX = rect.x * scaleX;
           // 转换y坐标：PDF页面高度 - 图像y坐标 - 矩形高度
           float pdfY = pdfPageHeight - (rect.y + rect.height) * scaleY;
           fields.add(new FormField(pdfX, pdfY, rect.width * scaleX, rect.height * scaleY, 0, ""));
       }
   }
   

二、提取填写框内的手写内容 #

用Tess4J（Tesseract的Java封装）对每个填写框区域做OCR识别：

1. 裁剪填写框区域
   根据识别出的图像坐标，从原图像中裁剪出目标区域：

   BufferedImage fieldImage = bufferedImage.getSubimage(rect.x, rect.y, rect.width, rect.height);
   

2. OCR识别手写文本
   初始化Tesseract引擎，识别裁剪后的图像内容：

   ITesseract tesseract = new Tesseract();
   tesseract.setDatapath("tessdata"); // 指向Tesseract语言包存放目录
   tesseract.setLanguage("eng"); // 中文手写可切换为"chi_sim"
   String text = tesseract.doOCR(fieldImage);
   // 清理识别结果，去除多余空白字符
   text = text.trim().replaceAll("\\s+", " ");
   // 将文本绑定到对应的FormField对象
   field.setText(text);
   

3. 生成结构化数据
   将包含坐标、文本的FormField列表序列化为JSON，供前端调用。

三、同步到前端JS表单 #

1. 后端接口传递数据
   编写REST接口，将结构化的表单识别数据返回给前端。

2. 表单填充逻辑
   前端可通过两种方式匹配填充：

   • 字段名匹配（推荐）：提前为每个PDF填写框和前端表单输入框设置统一的字段名，直接根据字段名映射填充：

     const formData = await fetch('/api/form-recognize').then(res => res.json());
     formData.forEach(item => {
         const input = document.querySelector(`input[name="${item.fieldName}"]`);
         if (input) input.value = item.text;
     });
     

   • 坐标映射：计算PDF页面与前端表单的缩放比例，将PDF坐标转换为页面坐标，定位到对应输入框填充（适合无明确字段名的场景）。

3. Chrome前端原生处理（可选）
   若无需后端，可直接用Chrome支持的pdf.js加载PDF，结合opencv.js做轮廓检测、Tesseract.js做OCR，全程在前端完成识别与填充，流程与后端Java逻辑一致。

内容的提问来源于stack exchange，提问作者Roberto33911