使用OCR

Question

我正在寻找一种方法，以编程方式检查pdf cad绘图，普通2D打印，并拉出所有尺寸以及页面上尺寸的位置。我正在寻找能够让我这样做的技术。

我对tesseract有点熟悉，并且已经训练它识别一些奇怪的gd＆amp; t形状，并设置一种语言来解决常见的ocr错误的混乱，例如1的vs |。从pdf绘图中提取所有“文本块”或“带有文本的图像块”的解决方案，因此我可以通过使用这种语言的tesseract运行它们也是理想的。

还关注leadtools，PDFBox，iText，TET，Adobe SDK。试着在它们之间做一些比较。我特别感兴趣的是准确识别尺寸/数字和形状，并且api也必须具有提取位置信息的能力。任何这些或有益的见解有关好的/坏的任何过去的经验将非常感谢!!

Answer 1

我们可以提供有关LEADTOOLS部分问题的相关信息，因为它是我们的产品。

如果PDF包含实际文本而不仅仅是文本图像，则可以直接提取它而无需通过OCR。为此，请使用the Leadtools.Pdf.PDFDocument.ParsePages() method。

如果您正在处理包含文本区域和非文本区域的图像，则可以使用Leadtools.ImageProcessing.Core.AutoZoningCommand隔离文本区域（区域）并获取其坐标。然后，您可以使用我们的OCR引擎或您自己的代码。如果您尝试这样做并且没有获得满意的结果，可能还有其他高级选项可以帮助您，但我们可能需要查看您正在使用的实际样本。如果您愿意，可以将一些示例文件通过电子邮件发送到我们的支持地址，并提及您迄今为止所尝试的内容。

答案 1 :(得分：0)

如果在线 OCR API没问题，https://ocr.space/ocrapi是免费的，会返回详细的位置信息并接受PDF。

{
        "ParsedResults" : [
            {
                "TextOverlay" : {
                    "Lines" : [
                        {
                            "Words": [
                                {
                                "WordText": "Word 1",
                                "Left": 106,
                                "Top": 91,
                                "Height": 9,
                                "Width": 11
                                },

Answer 2

如果在线 OCR API没问题，https://ocr.space/ocrapi是免费的，会返回详细的位置信息并接受PDF。

{
        "ParsedResults" : [
            {
                "TextOverlay" : {
                    "Lines" : [
                        {
                            "Words": [
                                {
                                "WordText": "Word 1",
                                "Left": 106,
                                "Top": 91,
                                "Height": 9,
                                "Width": 11
                                },