java读取pdf,jpg转成文本，通用程序

对于将PDF和JPG文件转换为文本的通用程序，你可以结合使用Apache PDFBox和Tesseract OCR库。Apache PDFBox用于处理PDF文件，而Tesseract OCR用于将图像中的文本转换为可识别的文本。

首先，确保已将以下依赖项添加到你的项目中：

1. Apache PDFBox：用于处理PDF文件
2. Tesseract OCR：用于识别图像中的文本

然后，你可以使用以下代码来读取PDF和JPG文件，并将其转换为文本：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;

public class FileConverter {
    public static void main(String[] args) {
        String pdfFilePath = "path/to/pdf/file.pdf";
        String jpgFilePath = "path/to/jpg/file.jpg";

        // 读取PDF文件并转换为文本
        try {
            PDDocument document = PDDocument.load(new File(pdfFilePath));
            PDFTextStripper stripper = new PDFTextStripper();
            String pdfText = stripper.getText(document);
            System.out.println("PDF文本内容：");
            System.out.println(pdfText);
            document.close();
        } catch (IOException e) {
            e.printStackTrace();
        }

        // 读取JPG文件并转换为文本
        try {
            BufferedImage image = ImageIO.read(new File(jpgFilePath));
            Tesseract tesseract = new Tesseract();
            String jpgText = tesseract.doOCR(image);
            System.out.println("JPG文本内容：");
            System.out.println(jpgText);
        } catch (IOException | TesseractException e) {
            e.printStackTrace();
        }
    }
}

请确保已将PDF文件和Tesseract OCR库的训练数据文件（.traineddata）放置在适当的位置，并在代码中指定正确的文件路径。

这个程序将分别读取PDF和JPG文件，并将它们转换为文本输出。你可以根据需要进行进一步的文本处理或保存到文件中。