private String extractImageText(MultipartFile file) { try { // 创建临时文件 Path tempFile = Files.createTempFile("ocr_", getFileExtension(file.getOriginalFilename())); Files.copy(file.getInputStream(), tempFile, StandardCopyOption.REPLACE_EXISTING); // 执行OCR识别 File imageFile = tempFile.toFile(); String result = tesseract.doOCR(imageFile) .replaceAll("\\s+", " ").trim(); // 清理临时文件 Files.deleteIfExists(tempFile); return result; } catch (Exception e) { return "OCR处理失败: " + e.getMessage(); } }他也把内容给读取出来了但是没有办法比较和校验啊

<think>我们之前讨论的是如何从图片或PDF中提取文本并与JSON内容进行严格比较。现在，问题聚焦在`extractImageText`方法虽然能提取文本，但如何与JSON内容进行比较和校验。 实际上，我们需要将提取的文本与JSON中的预期内容进行比对。之前已经给出了一个完整的校验服务，但用户可能希望看到更直接的比较部分。 因此，我将提供一个完整的流程，包括： 1. 提取图片/PDF文本（使用OCR或PDFBox） 2. 解析JSON配置文件（包含预期的字段和值） 3. 将提取的文本与JSON中的每个字段值进行严格比较 下面是一个整合了提取和比较的完整服务类，并特别关注比较逻辑。</think>### 图像文本提取与严格校验解决方案 您指出了一个关键问题：`extractImageText` 方法只负责提取文本，但缺少与 JSON 内容比较的校验逻辑。我将提供一个完整的端到端解决方案，包含文本提取、JSON 解析和严格校验的全流程。 ```java package com.luxsan.service; import com.fasterxml.jackson.databind.JsonNode; import com.fasterxml.jackson.databind.ObjectMapper; import lombok.extern.slf4j.Slf4j; 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 org.springframework.web.multipart.MultipartFile; import java.io.File; import java.io.IOException; import java.io.InputStream; import java.nio.file.Files; import java.nio.file.Path; import java.nio.file.StandardCopyOption; import java.util.ArrayList; import java.util.List; import java.util.Map; import java.util.concurrent.ConcurrentHashMap; import java.util.regex.Pattern; @Slf4j @Service public class DocumentValidationService { private final ObjectMapper objectMapper = new ObjectMapper(); private final Map<String, Pattern> patternCache = new ConcurrentHashMap<>(); private Tesseract tesseract; public DocumentValidationService() { initOcrEngine(); } private void initOcrEngine() { try { tesseract = new Tesseract(); tesseract.setDatapath("/path/to/tessdata"); tesseract.setLanguage("eng+chi_sim"); tesseract.setPageSegMode(1); tesseract.setOcrEngineMode(1); } catch (Exception e) { log.error("OCR引擎初始化失败", e); throw new RuntimeException("OCR引擎初始化失败", e); } } /** * 提取图像文本内容 */ public String extractImageText(MultipartFile file) { try { // 创建临时文件 Path tempFile = Files.createTempFile("ocr_", getFileExtension(file.getOriginalFilename())); Files.copy(file.getInputStream(), tempFile, StandardCopyOption.REPLACE_EXISTING); // 执行OCR识别 File imageFile = tempFile.toFile(); String result = tesseract.doOCR(imageFile) .replaceAll("\\s+", " ").trim(); // 清理临时文件 Files.deleteIfExists(tempFile); return result; } catch (Exception e) { log.error("OCR处理失败", e); return "OCR_ERROR: " + e.getMessage(); } } /** * 提取PDF文本内容 */ public String extractPdfText(MultipartFile file) { try (InputStream pdfStream = file.getInputStream(); PDDocument doc = PDDocument.load(pdfStream)) { PDFTextStripper stripper = new PDFTextStripper(); return stripper.getText(doc).replaceAll("\\s+", " ").trim(); } catch (Exception e) { log.error("PDF提取失败", e); return "PDF_ERROR: " + e.getMessage(); } } /** * 解析JSON配置 */ public JsonNode parseJson(String jsonContent) { try { return objectMapper.readTree(jsonContent); } catch (Exception e) { log.error("JSON解析失败", e); return null; } } /** * 严格内容校验 */ public List<ValidationResult> validateContent(String documentText, JsonNode jsonConfig) { List<ValidationResult> results = new ArrayList<>(); if (documentText.startsWith("OCR_ERROR") || documentText.startsWith("PDF_ERROR")) { results.add(new ValidationResult("SYSTEM", "ERROR", "文档提取失败: " + documentText, false)); return results; } if (jsonConfig == null) { results.add(new ValidationResult("SYSTEM", "ERROR", "JSON解析失败", false)); return results; } // 标准化文档文本（保留原始大小写） String normalizedDocText = normalizeText(documentText); log.info("标准化文档文本: \n{}", normalizedDocText); // 遍历JSON字段并进行校验 jsonConfig.fields().forEachRemaining(entry -> { String fieldName = entry.getKey(); JsonNode valueNode = entry.getValue(); if (!valueNode.isValueNode()) return; String expectedValue = valueNode.asText().trim(); if (expectedValue.isEmpty()) return; // 执行严格匹配检查 boolean isExactMatch = isExactMatch(normalizedDocText, expectedValue); results.add(new ValidationResult( fieldName, expectedValue, isExactMatch ? "完全匹配" : "不匹配", isExactMatch )); }); return results; } /** * 完整校验流程 */ public List<ValidationResult> fullValidation(MultipartFile documentFile, String jsonContent) { String documentText; if (documentFile.getOriginalFilename().toLowerCase().endsWith(".pdf")) { documentText = extractPdfText(documentFile); } else { documentText = extractImageText(documentFile); } JsonNode jsonConfig = parseJson(jsonContent); return validateContent(documentText, jsonConfig); } // ============== 辅助方法 ============== private String normalizeText(String text) { if (text == null) return ""; return text.replaceAll("\\s{2,}", " ").trim(); } private boolean isExactMatch(String document, String expected) { // 方法1：直接包含检查 if (document.contains(expected)) { return true; } // 方法2：边界匹配（考虑单词边界） String regex = "\\b" + Pattern.quote(expected) + "\\b"; Pattern pattern = patternCache.computeIfAbsent(regex, Pattern::compile); if (pattern.matcher(document).find()) { return true; } // 方法3：容错匹配（处理常见OCR错误） return matchWithOcrTolerance(document, expected); } private boolean matchWithOcrTolerance(String document, String expected) { // 构建容错正则表达式 StringBuilder regexBuilder = new StringBuilder(); for (char c : expected.toCharArray()) { switch (c) { case '0': regexBuilder.append("[0Oo]"); break; case 'O': case 'o': regexBuilder.append("[Oo0]"); break; case '1': regexBuilder.append("[1Il]"); break; case 'I': case 'l': regexBuilder.append("[Il1]"); break; case '5': regexBuilder.append("[5Ss]"); break; case 'S': case 's': regexBuilder.append("[Ss5]"); break; case '8': regexBuilder.append("[8B]"); break; case 'B': regexBuilder.append("[B8]"); break; default: regexBuilder.append(Pattern.quote(String.valueOf(c))); } } Pattern pattern = patternCache.computeIfAbsent(regexBuilder.toString(), Pattern::compile); return pattern.matcher(document).find(); } private String getFileExtension(String filename) { if (filename == null) return ".tmp"; int dotIndex = filename.lastIndexOf('.'); return (dotIndex == -1) ? ".tmp" : filename.substring(dotIndex); } /** * 验证结果类 */ public static class ValidationResult { private final String fieldName; private final String expectedValue; private final String actualStatus; private final boolean isValid; public ValidationResult(String fieldName, String expectedValue, String actualStatus, boolean isValid) { this.fieldName = fieldName; this.expectedValue = expectedValue; this.actualStatus = actualStatus; this.isValid = isValid; } // Getters public String getFieldName() { return fieldName; } public String getExpectedValue() { return expectedValue; } public String getActualStatus() { return actualStatus; } public boolean isValid() { return isValid; } @Override public String toString() { return String.format("%s: 期望值='%s', 状态='%s', 有效=%b", fieldName, expectedValue, actualStatus, isValid); } } } ``` ### 核心校验逻辑详解 #### 1. 完整校验流程 (`fullValidation` 方法) ```java public List<ValidationResult> fullValidation(MultipartFile documentFile, String jsonContent) { // 步骤1: 提取文档文本 String documentText = extractText(documentFile); // 步骤2: 解析JSON配置 JsonNode jsonConfig = parseJson(jsonContent); // 步骤3: 执行内容校验 return validateContent(documentText, jsonConfig); } ``` 这个方法提供了端到端的校验流程： 1. 自动识别文件类型（PDF或图片） 2. 调用相应的提取方法 3. 解析JSON配置 4. 执行严格匹配校验 #### 2. 严格匹配校验 (`isExactMatch` 方法) ```java private boolean isExactMatch(String document, String expected) { // 直接包含检查 if (document.contains(expected)) return true; // 边界匹配 Pattern pattern = patternCache.computeIfAbsent("\\b" + Pattern.quote(expected) + "\\b", Pattern::compile); if (pattern.matcher(document).find()) return true; // OCR容错匹配 return matchWithOcrTolerance(document, expected); } ``` 三级匹配策略： 1. **直接匹配**：最快速的基础检查 2. **边界匹配**：确保匹配的是完整单词 3. **OCR容错**：处理常见识别错误 #### 3. OCR容错机制 (`matchWithOcrTolerance` 方法) ```java private boolean matchWithOcrTolerance(String document, String expected) { StringBuilder regexBuilder = new StringBuilder(); for (char c : expected.toCharArray()) { switch (c) { case '0': regexBuilder.append("[0Oo]"); break; // 0/O/o 混淆 case 'O': case 'o': regexBuilder.append("[Oo0]"); break; case '1': regexBuilder.append("[1Il]"); break; // 1/I/l 混淆 // ...其他字符处理 } } Pattern pattern = Pattern.compile(regexBuilder.toString()); return pattern.matcher(document).find(); } ``` 处理常见OCR错误： - 数字 `0` 与字母 `O`/`o` 混淆 - 数字 `1` 与字母 `I`/`l` 混淆 - 数字 `5` 与字母 `S`/`s` 混淆 - 数字 `8` 与字母 `B` 混淆 ### 使用示例 ```java // 初始化服务 DocumentValidationService validator = new DocumentValidationService(); // 准备测试数据 MultipartFile imageFile = ... // 获取上传的图像文件 String jsonContent = "{\"invoiceNumber\":\"INV-2023-001\", \"totalAmount\":\"$1,250.00\"}"; // 执行完整校验 List<ValidationResult> results = validator.fullValidation(imageFile, jsonContent); // 打印结果 System.out.println("===== 校验结果 ====="); for (ValidationResult result : results) { System.out.println(result); } ``` #### 可能的输出： ``` ===== 校验结果 ===== invoiceNumber: 期望值='INV-2023-001', 状态='完全匹配', 有效=true totalAmount: 期望值='$1,250.00', 状态='完全匹配', 有效=true ``` 或当存在OCR错误时： ``` ===== 校验结果 ===== invoiceNumber: 期望值='INV-2023-001', 状态='完全匹配', 有效=true totalAmount: 期望值='$1,250.00', 状态='不匹配', 有效=false ``` ### 错误处理增强 #### 1. 提取错误处理 ```java public String extractImageText(MultipartFile file) { try { // ...提取逻辑... } catch (Exception e) { log.error("OCR处理失败", e); return "OCR_ERROR: " + e.getMessage(); // 特殊错误标识 } } ``` #### 2. 校验错误处理 ```java public List<ValidationResult> validateContent(String documentText, JsonNode jsonConfig) { if (documentText.startsWith("OCR_ERROR") || documentText.startsWith("PDF_ERROR")) { results.add(new ValidationResult("SYSTEM", "ERROR", "文档提取失败: " + documentText, false)); return results; } if (jsonConfig == null) { results.add(new ValidationResult("SYSTEM", "ERROR", "JSON解析失败", false)); return results; } // ...正常校验逻辑... } ``` ### 性能优化技巧 1. **并行处理多个字段**： ```java public List<ValidationResult> parallelValidate(String document, JsonNode jsonConfig) { List<ValidationResult> results = Collections.synchronizedList(new ArrayList<>()); jsonConfig.fields().forEachRemaining(entry -> { CompletableFuture.runAsync(() -> { String field = entry.getKey(); String value = entry.getValue().asText(); boolean match = isExactMatch(document, value); results.add(new ValidationResult(field, value, match ? "匹配" : "不匹配", match)); }); }); // 等待所有任务完成 CompletableFuture.allOf( jsonConfig.fieldNames().map(name -> CompletableFuture.completedFuture(name)) .toArray(CompletableFuture[]::new) ).join(); return results; } ``` 2. **文本预索引**： ```java private Map<String, Boolean> createTextIndex(String document) { Map<String, Boolean> index = new HashMap<>(); String[] words = document.split("\\s+"); for (String word : words) { index.put(word, true); // 添加常见OCR变体 if (word.contains("0")) index.put(word.replace('0', 'O'), true); if (word.contains("1")) index.put(word.replace('1', 'I'), true); // ...其他变体 } return index; } ``` ### 增强功能建议 1. **相似度评分**： ```java private double calculateSimilarity(String actual, String expected) { int maxLen = Math.max(actual.length(), expected.length()); if (maxLen == 0) return 1.0; int[][] dp = new int[actual.length() + 1][expected.length() + 1]; for (int i = 0; i <= actual.length(); i++) { for (int j = 0; j <= expected.length(); j++) { if (i == 0) dp[i][j] = j; else if (j == 0) dp[i][j] = i; else { int cost = actual.charAt(i-1) == expected.charAt(j-1) ? 0 : 1; dp[i][j] = Math.min(Math.min( dp[i-1][j] + 1, dp[i][j-1] + 1), dp[i-1][j-1] + cost); } } } return 1.0 - (double) dp[actual.length()][expected.length()] / maxLen; } ``` 2. **上下文验证**： ```java private boolean validateWithContext(String document, String expected, String context) { String pattern = Pattern.quote(context) + "\\s*[:=]?\\s*" + Pattern.quote(expected); return Pattern.compile(pattern).matcher(document).find(); } ```