使用tesseract 2.04和Java获取文本位置

Question

我正在某些图像中使用Tesseract 2.04执行OCR，现在我要获得文本的精确位置ocearized。但是这个版本不会返回此信息。

我需要这个来生成可搜索的pdf文件。我已经学会了如何在pdf的下层标记文本，但我需要在该文本上标记该位置。 我的第一个想法是在pdf中执行ocr，获取文本的文本和位置，用iText api标记在pdf中。

Answer 1

在iText的内部，我们也研究过OCR。并且它是可能的（使用Tesseract）。

的工作流程：

1. 使用iText
从pdf中提取所有图像
2. 使用Tesseract
提取文本（以及坐标，字体等）
3. 应用坐标变换（因为tesseract坐标系和iText坐标系不相同）
4. 向pdf（canvas.beginLayer）
添加图层
5. 在此图层中的正确位置绘制所有文字

您可以做更多优化。一小段建议：

• 正确的基线
• 更正字体
• 正确的拼写错误
• 估计颜色
• 估计背景颜色

这不是一件容易的事。但肯定是可能的。