(ocrfeat): 增加 PDF 文件文字识别功能

- 实现了 ITesseractOcrService接口中的 recognizePdfText 方法- 添加了 PDFBox 依赖用于处理 PDF 文件
- 在 TesseractOcrServiceImpl 中实现了 PDF 文件的文字提取和清理
- 在 WmsPurchasePlanController 中添加了识别 PDF 文件文字的 API 接口

klp-wms/src/main/java/com/klp/controller/WmsPurchasePlanController.java

@@ -68,6 +68,18 @@ public class WmsPurchasePlanController extends BaseController {
         return R.ok(new RecognizeTextVo(text));
     }
 
+    /**
+     * 识别PDF文件中的文字
+     * @param request PDF文件地址
+     * @return 识别出的文字
+     */
+    @PostMapping("/recognizePdfText")
+    public R<RecognizeTextVo> recognizePdf(@RequestBody Map<String, String> request) {
+        String pdfUrl = request.get("pdfUrl");
+        String text = iTesseractOcrService.recognizePdfText(pdfUrl);
+        return R.ok(new RecognizeTextVo(text));
+    }
+
     /**
      * 查询采购计划主列表
      */

klp-wms/src/main/java/com/klp/service/ITesseractOcrService.java

@@ -1,11 +1,24 @@
 package com.klp.service;
 
+/**
+ * OCR文字识别Service接口
+ *
+ * @author Joshi
+ * @date 2025-07-18
+ */
 public interface ITesseractOcrService {
 
     /**
-     * 识别网络图片
-     * @param imageUrl 图片URL
-     * @return 识别结果
+     * 识别图片中的文字
+     * @param imgUrl 图片URL
+     * @return 识别出的文字
      */
-    String recognizeText(String imageUrl);
+    String recognizeText(String imgUrl);
+
+    /**
+     * 识别PDF文件中的文字
+     * @param pdfUrl PDF文件URL
+     * @return 识别出的文字
+     */
+    String recognizePdfText(String pdfUrl);
 }

klp-wms/src/main/java/com/klp/service/impl/TesseractOcrServiceImpl.java

@@ -5,6 +5,8 @@ import com.klp.service.ITesseractOcrService;
 import net.sourceforge.tess4j.ITesseract;
 import net.sourceforge.tess4j.Tesseract;
 import net.sourceforge.tess4j.TesseractException;
+import org.apache.pdfbox.pdmodel.PDDocument;
+import org.apache.pdfbox.text.PDFTextStripper;
 import org.springframework.stereotype.Service;
 
 import javax.annotation.Resource;
@@ -20,6 +22,7 @@ public class TesseractOcrServiceImpl implements ITesseractOcrService {
 
     @Resource
     private TesseractConfig tesseractConfig;
+
     @Override
     public String recognizeText(String imageUrl){
         // 读取网络图片为 BufferedImage
@@ -61,6 +64,62 @@ public class TesseractOcrServiceImpl implements ITesseractOcrService {
         return cleanedResult;
     }
 
+    @Override
+    public String recognizePdfText(String pdfUrl) {
+        try {
+            System.out.println("开始处理PDF文件: " + pdfUrl);
+
+            // 下载PDF文件
+            URL url = new URL(pdfUrl);
+            InputStream inputStream = url.openStream();
+
+            // 使用PDFBox读取PDF
+            PDDocument document = PDDocument.load(inputStream);
+
+            // 创建文本提取器
+            PDFTextStripper textStripper = new PDFTextStripper();
+
+            // 提取所有页面的文字
+            String text = textStripper.getText(document);
+
+            // 关闭文档和流
+            document.close();
+            inputStream.close();
+
+            // 清理和格式化结果
+//            String cleanedResult = cleanPdfText(text);
+
+            System.out.println("\n=== PDF文字提取结果 ===");
+            System.out.println(text);
+
+            return text;
+
+        } catch (IOException e) {
+            throw new RuntimeException("处理PDF文件失败: " + e.getMessage(), e);
+        } catch (Exception e) {
+            throw new RuntimeException("PDF文字提取失败: " + e.getMessage(), e);
+        }
+    }
+
+    /**
+     * 清理PDF提取的文字
+     * @param text 原始PDF文字
+     * @return 清理后的文字
+     */
+    private static String cleanPdfText(String text) {
+        if (text == null || text.trim().isEmpty()) {
+            return "";
+        }
+
+        return text
+            // 移除多余的空白字符
+            .replaceAll("\\s+", " ")
+            // 移除页面分隔符
+            .replaceAll("\\f", "\n")
+            // 清理行首行尾空白
+            .trim();
+    }
+
     /**
      * 灰度化图像（直接处理 BufferedImage）
      * @param image 原始图片