Question

我正在尝试使用Tesseract（Tess4J）OCR将PDF文件中的图像（每页都是扫描图像）转换为文本，但它不起作用：（请参阅代码中的评论）

public static void main(String[] args) throws IOException
{
    Tesseract instance = Tesseract.getInstance();  // JNA Interface Mapping

    PdfReader reader = new PdfReader(PREFACE); // a PDF File D:\pdf\test.pdf
    int n = reader.getXrefSize();
    PdfObject object;
    PRStream stream;

    // Looking for image and manipulating image stream
    for (int i = 0; i < n; i++)
    {
        object = reader.getPdfObject(i); // every time object null ?why
        if (object == null || !object.isStream())
            continue;

        stream = (PRStream)object;

        PdfImageObject image = new PdfImageObject(stream);
        BufferedImage bi = image.getBufferedImage();

        try {
            String result = instance.doOCR(bi); //take Buffered iamge to transfor ti 
            System.out.println(result);  
        } catch (TesseractException e) {
            System.err.println(e.getMessage());
            stream.clear();
        }
    }
}

Answer 1

getPdfObject()始终返回null的问题的答案无关紧要。代码中有一个更重要的错误：您假设PDF中的每个流对象都是图像流。那是完全错误的。即使您的PDF的所有内容都包含扫描图像，您仍然会有其他流，例如页面内容流定义扫描图像在页面上的位置。

您应该阅读我对Determine whether a PDF page contains text or is purely picture的回答，并从ImageRenderInfo类获取每个特定页面上所有图像的图像字节。

请丢弃您的代码并重新开始。你复制/粘贴了我在我的书“iText in Action”的上下文中写的一个例子，但是你没有看到我在这个例子中添加的警告。你必须加强并改进你的问题。

如何使用Tesseract

1 个答案: