如何使用java OCR阅读PDF模板

Question

有人可以为下面的情况提出解决方案吗？

我们有餐厅的菜单。每间餐厅都有自己的菜单。目标是识别菜单中的元素，如菜单项，浇头，价格等，并更新数据库。

Fox示例：餐馆菜单可以包含名为“Sandwiches”的组中的“Chicken”，“Vegetarian”等菜单项。

为此，我计划使用OCR的java实现。这会成功吗？

Answer 1

如果您想在代码中使用OCR，可以使用Tessrect-OCR进行本地开发。它是一个非常强大的库，具有快速输出。此链接用于Tessrect的包装类，或者您也可以使用{ {3}}替代Tesjeract（第一个）。这是谷歌使用的相同库，你也可以添加多种语言支持。

Answer 2

将PDF转换为图像（使用javacv等）并使用tesseract或tess4j对其进行OCR。它不是永久性或最佳解决方案，但效果很好！

Answer 3

如果您正在输入PDF，然后使用它，则无需执行此操作;只需阅读PDF（见下文）。但是，如果您正在扫描PDF（图像而非文本），则需要使用OCR。

要从文件中读取PDF，您可以使用iText或PDFBox

之类的内容

Answer 4

有趣的项目！ Java或任何其他语言，我认为OCR不够准确，无法满足您的需求。菜单通常使用非标准字体打印，有时使用背景图像，这使得OCR难以准确读取每个单词。然后你有格式化的挑战。有些菜单可以按鸡肉，素食，牛肉来组织内容。其他可能有Light Fare，Entree，Appetizer，small plates等类别。

这对我来说是一次真正的数据工程挑战。虽然菜单看起来像是分层的，但它们的实际结构非常灵活，各种各样的东西各不相同。在这个混乱中加入OCR会给这个混乱带来错别，现在你需要寻找像“鸡”这样的词，因为你可能实际上有Chicen或Cichen或者（h1ckn。

也许我从来没有使用过非常棒的OCR软件，我想象的是一个不存在的问题。我认为大多数餐馆都会在电脑上输入菜单，你最好还是让他们与你分享这些文件。