如何使用Apache PDFBox读取扫描PDF中的手写表单字段内容？

哦，这个坑我之前踩过！先给你理清楚核心原因：扫描PDF本质上是由一张张图像组成的文档，哪怕里面的表单看起来有字段，手写内容其实是图像的一部分，并不是PDF里的结构化文本字段。而PDFBox的核心能力是处理结构化PDF的文本、可编辑表单字段，它本身没有OCR（光学字符识别）功能，所以直接读不到手写内容是很正常的。

不过也有可行的解决方案，核心思路是用OCR工具提取图像中的手写文本，再结合PDFBox定位表单字段的位置，把OCR结果对应到具体字段上，下面是具体步骤和示例：

1. 先确认PDF类型（是否为纯扫描图像） #

首先可以用PDFBox快速验证这一点，如果提取不到任何有效文本，那肯定是纯扫描件：

PDDocument document = PDDocument.load(new File("your_scan_form.pdf"));
PDFTextStripper stripper = new PDFTextStripper();
String extractedText = stripper.getText(document);
System.out.println(extractedText); // 如果输出为空或只有无关内容，就是扫描图像PDF
document.close();

2. 集成OCR工具提取手写文本 #

开源场景下最常用的是Tesseract，你可以用它的Java封装库Tess4J来处理图像识别。步骤如下：

• 引入Tess4J依赖（比如Maven）
• 下载Tesseract的语言包（英文手写用默认包基本能用，中文手写需要额外训练模型）
• 用PDFBox把PDF页面转成图像，再用Tess4J识别

3. 结合PDFBox定位表单字段，匹配OCR结果 #

PDFBox可以获取每个表单字段的坐标位置，你可以根据这个坐标裁剪对应区域的图像，再单独识别该区域的手写内容，这样就能精准对应到字段：

// 1. 加载PDF并获取表单
PDDocument document = PDDocument.load(new File("your_scan_form.pdf"));
PDAcroForm acroForm = document.getDocumentCatalog().getAcroForm();
if (acroForm == null) {
    System.out.println("文档没有表单字段");
    document.close();
    return;
}

// 2. 初始化Tesseract
Tesseract tesseract = new Tesseract();
tesseract.setDatapath("path/to/your/tessdata"); // 指向Tesseract的语言包目录
// 可选：设置语言，比如英文+手写模型（如果有训练好的）
// tesseract.setLanguage("eng+handwritten");

// 3. 遍历表单字段，提取对应区域的手写内容
for (PDField field : acroForm.getFields()) {
    PDAnnotationWidget widget = field.getWidget();
    if (widget == null) continue;
    
    // 获取字段在页面上的坐标（PDF坐标原点在左下角）
    PDRectangle rect = widget.getRectangle();
    PDPage page = widget.getPage();
    
    // 把PDF页面转成BufferedImage（300DPI保证识别精度）
    BufferedImage pageImage = page.convertToImage(BufferedImage.TYPE_INT_RGB, 300);
    int imageHeight = pageImage.getHeight();
    
    // 转换坐标：BufferedImage的原点在左上角，所以要调整Y轴
    int x = (int) rect.getLowerLeftX();
    int y = imageHeight - (int) rect.getUpperRightY();
    int width = (int) rect.getWidth();
    int height = (int) rect.getHeight();
    
    // 裁剪字段对应的图像区域
    BufferedImage fieldImage = pageImage.getSubimage(x, y, width, height);
    
    // 识别手写内容
    String handwrittenText = tesseract.doOCR(fieldImage);
    System.out.println("字段[" + field.getFullyQualifiedName() + "]的手写内容：" + handwrittenText.trim());
}

document.close();

注意事项和优化方向 #

• 手写识别准确率：默认Tesseract对印刷体识别很好，但手写体可能拉胯。你可以训练自己的手写模型，或者使用商业OCR服务（比如AWS Textract、Google Cloud Vision），这些服务对手写体的识别精度更高，但需要付费。
• 坐标转换：一定要注意PDF和图像的坐标差异，不然裁剪的区域会错位。
• 表单字段存在性：有些扫描PDF可能没有真正的AcroForm字段，只是图像上画了表单框，这时候你需要手动定义每个字段的坐标区域，再进行OCR识别。

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