java - 从 PDF 图像中读取数据

Question

我正在使用iText java TextExtraction从PDF文件中读取文本。我使用下面的代码，它对于英文 PDF 工作正常现在我有包含图像数据的 PDF。我想从该图像读取数据

public class pdfreader {
    public static void main(String[] args) throws IOException, DocumentException, TransformerException {
        String SRC = "";
        String DEST = "";

        for (String s : args) {
            SRC = args[0];
            DEST = args[1];
        }
        File file = new File(DEST);
        file.getParentFile().mkdirs();
        new pdfreader().readText(SRC, DEST);
    }

    public void readText(String src, String dest) throws IOException, DocumentException, TransformerException {
         try {
                PdfReader pdfReader = new PdfReader(src);
                PdfReaderContentParser PdfParser = new PdfReaderContentParser(
                        pdfReader);
                PrintWriter out = new PrintWriter(new FileOutputStream(
                        dest));
                TextExtractionStrategy textStrategy;
                for (int i = 1; i <= pdfReader.getNumberOfPages(); i++) {
                    textStrategy = PdfParser.processContent(i,
                            new SimpleTextExtractionStrategy());
                    out.println(textStrategy.getResultantText());
                }
                out.flush();
                out.close();
                pdfReader.close();
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
    }

Answer 1

您可以使用 iText 实现 OCR 工作流程。正如 Amedee 已经暗示的那样，这是我们在 iText 上尝试过的方法，并取得了非常有希望的结果。

算法(高级):

1. 实现 IEventListener 来解析文档页面
2. 留意 ImageRenderInfo 事件，当 PDF 解析器命中图像时，它们会被触发
3. 您可以在事件上调用 getImage() 并最终获得 BufferedImage
4. 将 BufferedImage 输入到 Tesseract
5. 应用坐标变换(tesseract 不使用与 iText 相同的坐标空间)
6. 现在您已经有了图像中的 texf 和位置，您可以使用 iText 在 PDF 上覆盖文本。或者直接提取它。