Android Studio中Tesseract OCR提取印度语言PDF文本崩溃排查

云原生阿岚

2026-7-18

印度语言PDF文本提取问题排查

问题情况

已完成代码开发，将Tesseract训练数据文件放在assets目录，实现PDF转图片步骤，但Android Studio中用Java调用Tesseract OCR提取马拉地语、印地语等印度语言PDF时应用崩溃
尝试用iText7库仅能提取PDF中的英文文本，无法提取印度语言

相关代码

PDFUtils类

public class PDFUtils {

    private static final String TAG = "pdf ocr";
    private static final String TESS_DATA = "/tessdata";
    private static final String LANG = "mar+hin";

    public static String extractText(Context context, Uri pdfUri) {
        // Initialize Tesseract OCR
        String dataPath = context.getFilesDir() + TESS_DATA;
        prepareTesseract(context, dataPath);
        TessBaseAPI tessBaseAPI = new TessBaseAPI();
        tessBaseAPI.init(dataPath, LANG);

        // Load and process PDF pages
        String extractedText = "";
        try {
            ParcelFileDescriptor fileDescriptor = context.getContentResolver().openFileDescriptor(pdfUri, "r");
            if (fileDescriptor != null) {
                PdfRenderer pdfRenderer = new PdfRenderer(fileDescriptor);
                int pageCount = pdfRenderer.getPageCount();

                for (int pageIndex = 0; pageIndex < pageCount; pageIndex++) {
                    PdfRenderer.Page page = pdfRenderer.openPage(pageIndex);

                    // Render the PDF page as a bitmap image
                    Bitmap pageBitmap = Bitmap.createBitmap(page.getWidth(), page.getHeight(), Bitmap.Config.ARGB_8888);
                    page.render(pageBitmap, null, null, PdfRenderer.Page.RENDER_MODE_FOR_DISPLAY);

                    // Process the bitmap image using Tesseract
                    tessBaseAPI.setImage(pageBitmap);
                    extractedText += tessBaseAPI.getUTF8Text();

                    // Close the current page
                    page.close();
                }

                // Close the PDF renderer
                pdfRenderer.close();
                fileDescriptor.close();
            }
        } catch (IOException e) {
            Log.e(TAG, "Error loading PDF and extracting text: " + e.getMessage());
        }

        // Clean up
        tessBaseAPI.end();

        return extractedText;
    }

    private static void prepareTesseract(Context context, String dataPath) {
        try {
            String fileList[] = context.getAssets().list("");
            for (String fileName : fileList) {
                String pathToDataFile = dataPath + TESS_DATA + "/" + fileName;
                if (!(new File(pathToDataFile)).exists()) {
                    InputStream in = context.getAssets().open(fileName);
                    OutputStream out = new FileOutputStream(pathToDataFile);

                    byte[] buffer = new byte[1024];
                    int read;
                    while ((read = in.read(buffer)) != -1) {
                        out.write(buffer, 0, read);
                    }

                    out.flush();
                    out.close();
                    in.close();
                }
            }
        } catch (IOException e) {
            Log.e(TAG, "Error preparing Tesseract OCR data: " + e.getMessage());
        }
    }
}

调用代码

public class MyActivity extends AppCompatActivity {

    // ...

    public void yourPublicFunction() {
        Uri pdfUri = ...; // 设置PDF文件URI
        String extractedText = PDFUtils.extractText(this, pdfUri);
        Log.d(TAG, "Extracted Text: " + extractedText);
    }
}

问题排查与修复方案

1. Tesseract训练数据路径错误（崩溃核心原因）

prepareTesseract方法中路径拼接重复：

dataPath已经是context.getFilesDir() + "/tessdata"，但后续拼接成dataPath + "/tessdata/" + fileName，最终路径变成/data/data/xxx/files/tessdata/tessdata/xxx.traineddata，Tesseract找不到训练数据，初始化失败导致崩溃。

修复代码：
修改prepareTesseract中的路径拼接：

private static void prepareTesseract(Context context, String dataPath) {
    try {
        // 创建tessdata目录（如果不存在）
        File tessDir = new File(dataPath);
        if (!tessDir.exists()) {
            tessDir.mkdirs();
        }

        String fileList[] = context.getAssets().list("");
        for (String fileName : fileList) {
            // 去掉重复的/tessdata
            String pathToDataFile = dataPath + "/" + fileName;
            File dataFile = new File(pathToDataFile);
            if (!dataFile.exists()) {
                InputStream in = context.getAssets().open(fileName);
                OutputStream out = new FileOutputStream(dataFile);

                byte[] buffer = new byte[1024];
                int read;
                while ((read = in.read(buffer)) != -1) {
                    out.write(buffer, 0, read);
                }

                out.flush();
                out.close();
                in.close();
            }
        }
    } catch (IOException e) {
        Log.e(TAG, "Error preparing Tesseract OCR data: " + e.getMessage());
    }
}

2. 增加Tesseract初始化异常捕获

当前代码未捕获TessBaseAPI.init()可能抛出的RuntimeException，导致直接崩溃，需要添加异常处理：

public static String extractText(Context context, Uri pdfUri) {
    String extractedText = "";
    TessBaseAPI tessBaseAPI = null;
    try {
        String dataPath = context.getFilesDir() + TESS_DATA;
        prepareTesseract(context, dataPath);
        tessBaseAPI = new TessBaseAPI();
        // 捕获初始化异常
        if (!tessBaseAPI.init(dataPath, LANG)) {
            Log.e(TAG, "Tesseract初始化失败，检查训练数据是否正确");
            return extractedText;
        }

        // 后续PDF处理逻辑...

    } catch (IOException e) {
        Log.e(TAG, "Error loading PDF and extracting text: " + e.getMessage());
    } catch (RuntimeException e) {
        Log.e(TAG, "Tesseract运行异常: " + e.getMessage());
    } finally {
        // 确保资源关闭
        if (tessBaseAPI != null) {
            tessBaseAPI.end();
        }
    }
    return extractedText;
}

3. 优化PDF渲染质量（提升OCR准确率）

当前渲染模式和分辨率可能导致印度语言字符识别不清，调整渲染参数：

// 获取设备密度，放大Bitmap提升清晰度
float scale = context.getResources().getDisplayMetrics().density;
int bitmapWidth = (int) (page.getWidth() * scale);
int bitmapHeight = (int) (page.getHeight() * scale);
Bitmap pageBitmap = Bitmap.createBitmap(bitmapWidth, bitmapHeight, Bitmap.Config.ARGB_8888);
// 使用打印模式渲染，清晰度更高
page.render(pageBitmap, null, null, PdfRenderer.Page.RENDER_MODE_FOR_PRINT);

4. iText7无法提取印度语言的解决

iText7只能提取可编辑的文本型PDF，如果印度语言是图片格式（扫描件），iText7无法提取，必须用OCR。如果是文本型PDF仍无法提取：

检查PDF是否嵌入了印度语言字体，若未嵌入，iText7无法正确解析字符
确保使用最新版本的iText7，添加字体支持依赖，或手动加载对应印度语言字体

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