Java+AI驅(qū)動實現(xiàn)PDF文件數(shù)據(jù)提取與解析
體檢結(jié)束后，面對報告中繁多的指標(biāo)和專業(yè)術(shù)語，許多人常會感到困惑：這些數(shù)據(jù)代表什么含義？是否存在健康風(fēng)險？需要采取哪些應(yīng)對措施？人工解讀不僅依賴專業(yè)知識，效率也相對低下。本文將分享一套基于 AI 的體檢報告智能評估方案，詳細(xì)介紹從 PDF 上傳、內(nèi)容提取到 AI 分析、數(shù)據(jù)存儲的全流程自動化實現(xiàn)方法。
一、核心流程：從上傳到評估的完整鏈路
本系統(tǒng)的核心目標(biāo)是：用戶上傳體檢報告 PDF 后，系統(tǒng)自動解析內(nèi)容，調(diào)用 AI 生成結(jié)構(gòu)化評估結(jié)果，最終存儲到數(shù)據(jù)庫供前端展示。整體流程分為兩大步驟：
- 上傳體檢報告：用戶上傳 PDF 文件 → 存儲至阿里云 OSS → 提取 PDF 文本內(nèi)容 → 臨時緩存到 Redis → 向前端返回上傳結(jié)果。
- 生成評估結(jié)果：用戶確認(rèn)解析 → 從 Redis 讀取文本內(nèi)容 → 調(diào)用 AI 大模型生成 JSON 格式評估結(jié)果 → 存儲到數(shù)據(jù)庫 → 完成智能評估。
技術(shù)棧選擇：采用 Apache PDFBox 解析 PDF 文本，百度千帆大模型進(jìn)行智能分析，Redis 用于臨時緩存，MySQL 存儲最終結(jié)果，阿里云 OSS 存儲原始文件。
二、第一步：解析 PDF，提取體檢報告內(nèi)容
PDF 是體檢報告常見的格式，但直接讀取其中的文本存在一定難度。我們選擇 Apache PDFBox 這一成熟的開源 PDF 處理庫來提取文本內(nèi)容。
1. 引入依賴
在項目的 common 模塊中添加 PDFBox 依賴（以 Maven 為例）：
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>2.0.24</version>
</dependency>
2. 封裝 PDF 工具類
為方便調(diào)用，封裝PDFUtil工具類，其核心方法pdfToString接收文件輸入流，返回提取的文本：
public class PDFUtil {
public static String pdfToString(InputStream inputStream) {
PDDocument document = null;
try {
// 加載PDF文檔
document = PDDocument.load(inputStream);
// 創(chuàng)建文本提取器
PDFTextStripper pdfStripper = new PDFTextStripper();
// 提取文本并返回
return pdfStripper.getText(document);
} catch (IOException e) {
e.printStackTrace();
} finally {
// 關(guān)閉資源
if (document != null) {
try {
document.close();
inputStream.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
return null;
}
}
3. 測試驗證
找一份體檢報告 PDF，編寫簡單的測試類驗證文本提取功能：
public class PDFUtilTest {
public static void main(String[] args) throws FileNotFoundException {
FileInputStream fileInputStream = new FileInputStream("C:\tmp\體檢報告-劉愛國-男-69歲.pdf");
String result = PDFUtil.pdfToString(fileInputStream);
System.out.println(result); // 打印提取的文本內(nèi)容
}
}
若控制臺能輸出 PDF 中的文字，則表明解析成功。
三、第二步：集成百度千帆大模型，讓 AI 做專業(yè)解讀
提取文本后，需借助 AI 基于內(nèi)容生成結(jié)構(gòu)化評估。我們選擇百度千帆大模型（ERNIE-4.0-8K-Preview），它在醫(yī)療領(lǐng)域的理解能力較強(qiáng)，且支持 JSON 格式輸出，便于后續(xù)解析。
1. 準(zhǔn)備工作：注冊與認(rèn)證
注冊百度智能云賬號，完成個人實名認(rèn)證（需在手機(jī)端 APP 操作）。
創(chuàng)建 AccessKey：在控制臺的 “安全認(rèn)證” 中生成，用于 API 調(diào)用時的身份驗證。
注意：新用戶有 20 元代金券，足夠測試使用；調(diào)用前需確保已開通目標(biāo)模型的付費(fèi)權(quán)限。
2. 引入 SDK 依賴
在 common 模塊中添加百度千帆 SDK：
<dependency>
<groupId>com.baidubce</groupId>
<artifactId>qianfan</artifactId>
<version>0.1.6</version>
</dependency>
3. 封裝 AI 調(diào)用工具
為便于復(fù)用，封裝AIModelInvoker類，統(tǒng)一處理大模型調(diào)用邏輯：
@Component
@Slf4j
public class AIModelInvoker {
@Autowired
private BaiduAIProperties baiduAIProperties; // 配置類，讀取accessKey等參數(shù)
public String qianfanInvoker(String prompt) {
// 初始化千帆客戶端
Qianfan qianfan = new Qianfan(baiduAIProperties.getAccessKey(), baiduAIProperties.getSecretKey());
// 調(diào)用模型
ChatResponse response = qianfan.chatCompletion()
.model(baiduAIProperties.getQianfanModel()) // 模型名稱，如ERNIE-4.0-8K-Preview
.addMessage("user", prompt) // 傳入提示詞
.temperature(0.7) // 控制輸出隨機(jī)性（0-1之間，值越小越穩(wěn)定）
.maxOutputTokens(2000) // 最大輸出長度
.responseFormat("json_object") // 指定返回JSON格式
.execute();
return response.getResult(); // 返回AI生成的結(jié)果
}
}
其中BaiduAIProperties用于讀取配置文件中的參數(shù)（accessKey、secretKey、模型名等），避免硬編碼：
@Data
@Configuration
@ConfigurationProperties(prefix = "baidu")
public class BaiduAIProperties {
private String accessKey;
private String secretKey;
private String qianfanModel;
}
在application.yml中配置參數(shù)：
baidu: accessKey: 你的accessKey secretKey: 你的secretKey qianfanModel: ERNIE-4.0-8K-Preview
4. 關(guān)鍵：設(shè)計提示詞（Prompt）
要讓 AI 生成符合要求的結(jié)構(gòu)化結(jié)果，提示詞的設(shè)計至關(guān)重要。一個優(yōu)質(zhì)的提示詞需明確：AI 的角色、任務(wù)要求、輸入內(nèi)容、輸出格式。
針對體檢報告解析，設(shè)計的提示詞如下（核心部分）：
請以專業(yè)醫(yī)生的視角分析以下體檢報告，完成以下任務(wù)：
1. 提取總檢日期；
2. 給出風(fēng)險等級（健康/提示/風(fēng)險/危險/嚴(yán)重危險）和健康指數(shù)（0-100分）；
3. 計算各風(fēng)險等級的占比（保留兩位小數(shù)）；
4. 列出異常數(shù)據(jù)（結(jié)論、項目名、結(jié)果、參考值、單位、解讀、建議）；
5. 給8大系統(tǒng)（呼吸、消化等）打分（0-100分）；
6. 總結(jié)報告核心結(jié)論。
輸出要求：僅返回JSON，格式如下：
{
"totalCheckDate": "YYYY-MM-DD",
"healthAssessment": {
"riskLevel": "healthy/caution/risk/danger/severeDanger",
"healthIndex": XX.XX
},
"riskDistribution": { ... },
"abnormalData": [ ... ],
"systemScore": { ... },
"summarize": "總結(jié)內(nèi)容"
}
提示詞中明確了 AI 的 “醫(yī)生” 角色，列出了具體任務(wù)，并嚴(yán)格規(guī)定了 JSON 格式，確保后續(xù)能直接解析。
四、API 接口開發(fā)：從上傳到存儲的完整實現(xiàn)
具備 PDF 解析和 AI 調(diào)用的基礎(chǔ)后，開發(fā)實際的業(yè)務(wù)接口，實現(xiàn) “上傳報告→AI 評估→存儲結(jié)果” 的全流程。
1. 數(shù)據(jù)庫設(shè)計
首先創(chuàng)建health_assessment表，存儲評估結(jié)果，核心字段包括：
老人基本信息（姓名、身份證號、年齡、性別等）；
體檢信息（體檢機(jī)構(gòu)、報告 URL、總檢日期等）；
AI 評估結(jié)果（健康指數(shù)、風(fēng)險等級、異常數(shù)據(jù)、系統(tǒng)評分等，以 JSON 格式存儲）。
2. 上傳體檢報告接口
用戶上傳 PDF 時，需將文件存儲到阿里云 OSS，并提取文本緩存到 Redis（供后續(xù) AI 調(diào)用）。
核心代碼（Controller 層）：
@ApiOperation("健康文檔上傳")
@PostMapping("/upload")
public AjaxResult uploadFile(MultipartFile file, String idCardNo) throws Exception {
try {
// 上傳到OSS，獲取文件URL
String url = aliyunOSSOperator.upload(file.getBytes(), file.getOriginalFilename());
// 提取PDF文本
String content = PDFUtil.pdfToString(file.getInputStream());
// 緩存到Redis（key：idCardNo，便于后續(xù)關(guān)聯(lián)）
redisTemplate.opsForHash().put("healthReport", idCardNo, content);
// 返回上傳結(jié)果
return AjaxResult.success().put("url", url).put("originalFilename", file.getOriginalFilename());
} catch (Exception e) {
return AjaxResult.error(e.getMessage());
}
}
3. 生成評估結(jié)果接口
用戶確認(rèn)后，從 Redis 讀取文本，調(diào)用 AI 生成結(jié)果，解析后存儲到數(shù)據(jù)庫。
核心代碼（Service 層）：
@Override
public Long insertHealthAssessment(HealthAssessmentDto dto) {
// 1. 從Redis獲取PDF文本
String content = (String) redisTemplate.opsForHash().get("healthReport", dto.getIdCard());
if (StringUtils.isEmpty(content)) {
throw new BaseException("請先上傳體檢報告");
}
// 2. 組裝提示詞（結(jié)合dto信息和PDF文本）
String prompt = buildPrompt(content, dto);
// 3. 調(diào)用AI生成評估結(jié)果
String aiResult = aIModelInvoker.qianfanInvoker(prompt);
if (StringUtils.isEmpty(aiResult)) {
throw new BaseException("AI分析失敗");
}
// 4. 解析AI返回的JSON
HealthReportVo reportVo = JSONUtil.toBean(aiResult, HealthReportVo.class);
// 5. 保存到數(shù)據(jù)庫
HealthAssessment assessment = convertToEntity(reportVo, dto);
save(assessment);
return assessment.getId();
}
其中convertToEntity方法將 AI 生成的HealthReportVo轉(zhuǎn)換為數(shù)據(jù)庫實體HealthAssessment，并補(bǔ)充用戶基本信息（如通過身份證號解析年齡、性別等）。
五、總結(jié)與優(yōu)化
通過上述步驟，我們實現(xiàn)了從 PDF 體檢報告上傳到 AI 智能評估、結(jié)果存儲的完整系統(tǒng)。其核心亮點(diǎn)包括：
利用 PDFBox 高效提取文本，解決 PDF 解析難題；
借助百度千帆大模型，將非結(jié)構(gòu)化文本轉(zhuǎn)化為結(jié)構(gòu)化 JSON；
采用 Redis 臨時緩存、OSS 存儲文件，保證流程流暢。
后續(xù)可優(yōu)化的方向：
增加 PDF 表格識別功能（部分報告用表格展示指標(biāo)，需特殊處理）；
優(yōu)化提示詞，提高 AI 對罕見指標(biāo)的解讀準(zhǔn)確性；
增加異步處理機(jī)制（AI 調(diào)用可能耗時，用異步任務(wù)避免前端超時）。
以上就是Java+AI驅(qū)動實現(xiàn)PDF文件數(shù)據(jù)提取與解析的詳細(xì)內(nèi)容，更多關(guān)于Java PDF數(shù)據(jù)提取的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Java平臺由Java虛擬機(jī)和Java應(yīng)用程序接口搭建，Java語言則是進(jìn)入這個平臺的通道，用Java語言編寫并編譯的程序可以運(yùn)行在這個平臺上，本文給大家講解jdk1.8的環(huán)境配置過程，感興趣的朋友跟隨小編一起看看吧2022-11-11
這篇文章主要為大家介紹了java中字符緩沖流面試精講,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-10-10
mybatis-plus之如何實現(xiàn)in嵌套sql
這篇文章主要介紹了mybatis-plus之如何實現(xiàn)in嵌套sql問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-03-03
這篇文章主要介紹了Java8中Stream的使用方式，文章通過Stream的創(chuàng)建展開詳細(xì)的介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-04-04
springboot整合nacos,如何讀取nacos配置文件
這篇文章主要介紹了springboot整合nacos,如何讀取nacos配置文件問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-11-11
Jenkins服務(wù)器更新密鑰后任務(wù)構(gòu)建不了的排查實錄與解決方案
在一次生產(chǎn)環(huán)境的 SSH 密鑰輪換中,我遇到了一個極其令人困惑的問題：在 Jenkins 服務(wù)器上手動執(zhí)行 ssh -i 命令測試新密鑰到目標(biāo)服務(wù)器,直接報 Permission denied,本文記錄了完整的排查過程,希望能幫助遇到類似故障的運(yùn)維人員快速定位問題,需要的朋友可以參考下2026-05-05
Java/Android 獲取網(wǎng)絡(luò)重定向文件的真實URL的示例代碼
本篇文章主要介紹了Java/Android 獲取網(wǎng)絡(luò)重定向文件的真實URL的示例代碼，具有一定的參考價值，感興趣的小伙伴們可以參考一下2017-11-11
分治算法（divide and conquer）是五大常用算法(分治算法、動態(tài)規(guī)劃算法、貪心算法、回溯法、分治界限法)之一，很多人在平時學(xué)習(xí)中可能只是知道分治算法，但是可能并沒有系統(tǒng)的學(xué)習(xí)分治算法，本篇就帶你較為全面的去認(rèn)識和了解分治算法2021-06-06
Spring的Xml和JavaConfig 擴(kuò)展哪個好用
今天給大家介紹基于注解的Spring擴(kuò)展，Spring的Xml和JavaConfig 擴(kuò)展的配置方法，關(guān)于Spring的Xml和JavaConfig 擴(kuò)展你會選哪個呢，帶著這個問題一起通過本文學(xué)習(xí)下吧2021-05-05
這篇文章主要介紹了Java協(xié)議字節(jié)操作工具類詳情，文章圍繞主題展開詳細(xì)的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-09-09