java - iText 支持 OCR 吗？

Question

我想问一个关于 iText 的问题。我在 PDF 文件中搜索文本时遇到问题。

我可以使用 getTextfromPage() 方法创建纯文本文件，如以下代码示例所述:

/** The original PDF that will be parsed. */
    public static final String PREFACE = "D:/B.pdf";
    /** The resulting text file. */
    public static final String RESULT = "D:/Result.txt";
public void ParsePDF(String From, String Destination) throws IOException{

        PdfReader reader = new PdfReader(PREFACE);  
        PrintWriter out = new PrintWriter(new FileOutputStream(RESULT));              
        for (int i = 1; i <= reader.getNumberOfPages(); i++) {                          
         out.println(PdfTextExtractor.getTextFromPage(reader, i));  
        }
        out.flush();
        out.close();
        reader.close();

    }

我正在尝试在生成的文本中查找特定的 String，如下所示:

    public void FindWords(String From) {
        try{
            String ligneLue;            
            LineNumberReader lnr=new LineNumberReader(new FileReader(RESULT));
            try{                
                while((ligneLue=lnr.readLine())!=null){
                    SearchForSVHC(ligneLue,SvhcList);
                }
            }
            finally{                
                lnr.close();
            }
        }
        catch(IOException e){
            System.out.println(e);}
        }   
    public void SearchForSVHC(String Ligne,List<String> List){
        for(String CAS :List){
            if(Ligne.contains(CAS)){
                System.out.print("Yes  "+CAS);
                break;
        }}
    }

我的问题是我正在解析的一些 PDF 包含扫描图像，这意味着没有真正的文本，只有像素。

iText 是否支持光学字符识别 (OCR) 以及后续问题:有没有办法确定 PDF 是否由扫描图像组成？

Answer 1

在回答您的问题之前，我已经对您的问题进行了非常彻底的编辑。

当 PDF 由扫描图像组成时，没有要解析的真实文本，只有像素看起来像文本的图像。您需要执行 OCR 才能知道此类扫描页面上实际写的是什么，而 iText 不支持 OCR。

关于后续问题:很难确定 PDF 是否包含扫描图像。第一个赠品是:页面中只有一张图片，没有文字。

但是:由于您对图像的性质一无所知(也许您的 PDF 只包含假日照片)，因此很难确定 PDF 是否是一个充满文本扫描页的文档(即:栅格化文本)。