iOS 通过VisionKit从PDF中提取TXT

懒惰与近视是程序员进步的第一生产力（他绝不会承认是因为贫穷）。

场景：小A想要展示一本PDF文档，通过WKWebView直接展示是首选方案，因为简单方便。但是，因为身为程序员的骄傲，促使他使用了更高级的方式。
于是，他这样做：

- (void)viewDidLoad {
    [super viewDidLoad];
    // Do any additional setup after loading the view.
    [self.view addSubview:self.pdfView];
}

- (PDFView *)pdfView {
    if (!_pdfView) {
        _pdfView = [[PDFView alloc] initWithFrame:self.view.bounds];
        _pdfView.document = self.document;
        _pdfView.delegate = self;
    }
    return _pdfView;
}

- (PDFDocument *)document {
    if (!_document) {
        NSURL *url = [[NSBundle mainBundle] URLForResource:@"xxx" withExtension:@"pdf"];
        _document = [[PDFDocument alloc] initWithURL:url];
    }
    return _document;
}

一切都那么顺利，他展示出了pdf文件每一页的内容。但是人的欲望总是难以得到满足，虽然展示出来了数据，但是由于只是单纯的展示PDF文件，在小小的iPhone上面，什么都显得那么小，对于近视的小A来说，真的是蚂蚁爬爬。小A不禁想到，如果可以使用百度小说的阅读器直接打开，那么就可以随心所欲的改变字体大小以及排版结构了，近不近视的完全不受影响嘛。

所幸，PDFKit可以让用户获取到每一页的page内容，然后通过page可以拿到内容所展示的文字，那么，就可以将每一页的内容进行整合展示成txt文件，用任意你想用的程序进行展示，做法也非常简单：

for (int i = 0; i < [self.document pageCount]; i++) {
        PDFPage *page = [self.document pageAtIndex:i];
        NSLog(@"--!!!-- content: %@", page.string);
//        NSLog(@"--!!!-- content: %@", page.attributedString);
    }

小A很开心，因为他可以很舒适的浏览他想要看到的内容了，他不禁想到，近视真的是人类进步的阶梯。他一直这样开心，直到他看到文章出现了断层。。

WTF？？什么情况，正在生离死别的紧要关头怎么就开始你侬我侬了？

于是，小A开始了苦逼的数据校验，试图找到那只该死的『虫子』。幸运的是，原文件支持他很快的找到了缺失的那一章节，原来那一页PDF不是简单text，而是令人崩溃的image。。图片转文字，需要用的传说中的OCR技术，想到一系列的算法识别以及数据喂养，小A头大如斯，从现场景来看，通过接入各大厂商的OCR收费sdk是首选方案，但是，贫穷的程序员怎么可以忍受嗟来之食？于是，他开始关注相关PDF转TXT的APP，果然天下没有白吃的午餐，想要不花钱就进行转换，就有了转换内容大小的限制，一次只能转化1M的内容，小A望着47.5M的文件陷入了沉思。。

最终，小A将目光投向了VisionKit，谢天谢地，强大的VisionKit可以直接进行中文识别，贫穷的小A觉得一切都是最好的安排。于是诞生了下面的一段代码：

        PDFPage *page = [self.document pageAtIndex:i];
        UIImage *image = [page thumbnailOfSize:[page boundsForBox:kPDFDisplayBoxMediaBox].size forBox:kPDFDisplayBoxMediaBox];
        CGImageRef img = image.CGImage;
        
        VNImageRequestHandler *handler = [[VNImageRequestHandler alloc] initWithCGImage:img options:nil];
        VNRecognizeTextRequest *textRequest = [[VNRecognizeTextRequest alloc] initWithCompletionHandler:^(VNRequest * _Nonnull request, NSError * _Nullable error) {
            
            if (error) {
                NSLog(@"--!!!-- error : %@", error);
            } else {
                NSArray<VNRecognizedTextObservation *> *result = request.results;
                // 处理结果
            }
        }];
        textRequest.recognitionLevel = VNRequestTextRecognitionLevelAccurate;
        textRequest.usesLanguageCorrection = NO;
        textRequest.recognitionLanguages = @[@"zh-Hans", @"en-US"];
//        textRequest.revision = VNRecognizeTextRequestRevision2;
        
        [handler performRequests:@[textRequest] error:nil];

在应用过程中，小A发现可以通过recognitionLevel属性来选择识别的级别，是快速识别或是精准识别。usesLanguageCorrection用来确认是否需要在识别过程中使用语言更正，如果关闭此选项，对性能有较大的正向影响，但可能会影响识别结果的正确性。但是基本已经不影响阅读了。

至此，小A终于可以开开心心地随意阅读他想要阅读的pdf文件了。