使用OCR的PDF文本提取方法

Question

是否有人试图使用OCR库和Java从PDF中提取文本？你发现什么是最可靠的文本提取库。我见过的大多数方法（tesseract，GOCR）都是需要编写一些JNI代码的C库。

我熟悉pdfbox，它现在是0.8.x版本的Apache孵化器项目，但它的文本提取并不总是准确的。我正在寻找一种更可靠的替代方法。

我还没有尝试过Asprise JavaPDF，在尝试这个过程中，但想了解更多有关OCR方法的信息（如果可能的话）。

任何帮助将不胜感激。

Answer 1

如果你有基于文本的PDF，我强烈推荐PDFTextStream。这不是免费的，但许可是合理的，而且比PDFBox要好得多。 PDFBox在许多PDF文件上窒息，这些PDF文件是由较新的工具生成的，并且对于它可以处理的PDF不太一致。 PDFTextStream处理我抛出的任何PDF，包括带有嵌入式PNG图像的PDF，PDFBox无法做到。

如果你诅咒PDFTextStream人员添加OCR，他们可能会听。

Answer 2

我们使用ABBYY FineReader Engine 11.他们有java包装器。

优点：

• 它适用于所有语言（英语，俄语，乌兹别克语等）和真正的OCR（即使你有没有OCR的pdf，他们首先执行渲染和OCRing）。

<强>缺点：

• 费用。您必须购买开发者许可证和最终用户许可证。

• 而且速度非常慢。

Answer 3

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。

Answer 4

您可以使用Tesseract的Java包装器 - tesjeract或Tess4J - 来执行OCR。但是，对于PDF，在将其提供给OCR引擎之前，您需要先转换为图像（PNG或TIFF）。

VietOCR调用Tesseract可执行文件来执行文本提取。它使用GhostScript进行PDF到图像转换。