基于OCR的PDF文本提取方法

如果你有基于文本的PDF,我强烈建议 PDFTextStream . 它不是免费的,但是许可是合理的,而且比PDFBox要好得多。PDFBox阻塞了许多由较新工具生成的PDF文件,并且它所能处理的PDF文件不太一致。PDFTextStream处理我抛出的任何PDF文件,包括带有嵌入PNG图像的PDF文件,PDFBox不能这样做。

如果你质问PDFTextStream的人添加OCR,他们可能会听上去。

我们使用ABBYY FineReader引擎11。他们有java包装器。

赞成的意见:

• 它适用于所有语言(英语、俄语、乌兹别克语等)和做真正的OCR(即使你有没有OCR的pdf文件,他们也会先进行渲染和OCRing)。

欺骗:

• 它很贵。你必须购买开发者许可证和最终用户许可证。

• 而且非常缓慢。

如果要从基于文本的PDF中提取OCR,可能必须先将其转换为图像。

您可以使用Tesseract-tesjeract或tes4j-Java包装器来执行OCR。但是,对于PDF,您需要先转换为图像(PNG或TIFF),然后再将其输入OCR引擎。

VietOCR 调用Tesseract可执行文件以执行文本提取。它使用GhostScript进行PDF到图像的转换。