java - itext从pdf中获取特殊字母

Question

我正在尝试从 pdf 电子书中提取重音单词。使用 itext 库时会产生最好的结果，但我无法从单词中获得重音。示例:

побеђивање -应该显示为- побеђи́ва̄ње(缺少重音)

这些字母是西里尔塞尔维亚语。我尝试了很多 ocr 解决方案，但它们都给出了不好的结果。有没有办法让我使用 itext 以 pdf 中的方式提取所有 pdf 数据。我知道这与 pdf 的工作方式有很大关系，而且这是一件很难得到的事情，但我确实需要这个，替代方法是重新输入所有数据。pdf文件pdf example file

Answer 1

示例文档实际上包含一张大图像、一张扫描页面以及扫描打印字母顶部的不可见文本信息。此文本信息很可能是某些 OCR 过程的结果。

不幸的是，此文本信息已经缺少相关的重音符号。例如。第一个条目的文本

添加为

(\340\361\362\340\353\367\355)Tj 0 Tc (\236)Tj
...

正如您所看到的，位置 1 和 4 使用了相同的字母 \340，而根据扫描的页面，匹配的打印字母之一有重音，而另一个则没有。

整个页面都会发生这种情况。

因此，任何常规文本提取尝试都将无法返回有问题的重音符号。您唯一的机会就是使用 OCR。

你说你

tried many of the ocr solutions but they all give bad results

您可能将 OCR 应用程序应用于 PDF 或其渲染版本。我建议您提取扫描的图像；这样您就可以获得所有的质量。 iText 可以帮助您提取图像。