pdf - 以编程方式识别 PDF 文件中的扫描文本

Question

已结束。此问题正在寻求书籍、工具、软件库等的推荐。它不满足 Stack Overflow guidelines 。目前不接受答案。

---

我们不允许提出寻求书籍、工具、软件库等推荐的问题。您可以编辑问题，以便用事实和引文来回答。

已关闭 5 年前。

Improve this question

我有一个 PDF 文件，其中包含我们需要导入数据库的数据。这些文件似乎是打印的字母数字文本的 pdf 扫描件。貌似是10分英语字体格式一种。

是否有任何工具或组件可以让我识别和解析此文本？

Answer 1

我用过pdftohtml成功地将表格从 PDF 中剥离为 CSV。它基于Xpdf ，这是一个更通用的工具，包括 pdftotext 。我只是将其包装为来自 C# 的 Process.Start 调用。

如果您正在寻找更 DIY 一点的东西，可以选择 iTextSharp库 - Java 的端口 iText - 和PDFBox (是的，它说的是 Java - 但他们有一个 .NET 版本 IKVM.NET )。以下是一些有关使用 iTextSharp 的 CodeProject 文章和 PDFBox来自 C#。

而且，如果您确实是一个受虐狂，您可以调用 Adob​​e 的 PDF IFilter与 COM 互操作。 IFilter specs非常简单，但我猜互操作开销会很大。

编辑:重新阅读问题和后续答案后，很明显OP正在处理他的PDF中的图像。在这种情况下，您需要提取图像(上面的 PDF 库可以相当轻松地做到这一点)并通过 OCR 引擎运行它。

我用过MODI之前进行过交互，取得了不错的效果。它是 COM，因此通过互操作从 C# 调用它也是 doable又漂亮simple :

' lifted from http://en.wikipedia.org/wiki/Microsoft_Office_Document_Imaging
Dim inputFile As String = "C:\test\multipage.tif"
Dim strRecText As String = ""
Dim Doc1 As MODI.Document

Doc1 = New MODI.Document
Doc1.Create(inputFile)
Doc1.OCR()  ' this will ocr all pages of a multi-page tiff file
Doc1.Save() ' this will save the deskewed reoriented images, and the OCR text, back to the inputFile

For imageCounter As Integer = 0 To (Doc1.Images.Count - 1) ' work your way through each page of results
   strRecText &= Doc1.Images(imageCounter).Layout.Text    ' this puts the ocr results into a string
Next

File.AppendAllText("C:\test\testmodi.txt", strRecText)     ' write the OCR file out to disk

Doc1.Close() ' clean up
Doc1 = Nothing

其他类似Tesseract ，但我有直接的经验。我听说过有关它的好消息和坏消息，所以我想这很大程度上取决于您的源质量。