Java - 使用OCR从PDF中提取文本

Question

我有一个pdf文件（以下是部分内容），想从中提取文本。我已经使用了PDFTextStream，但它不能处理这个文件。（然而，它可以处理其他简单文本的文件。）

还有哪些OCR库能够完成这个任务？

请帮忙。

谢谢。

- Dax Amin

---

你的 PDF 文件只包含原始文件的扫描纸质副本吗？不要期望OCR能够提供100%精确的结果，特别是在像这样复杂的文档中。文本和线条在许多地方重叠是一个大问题，这使得算法难以区分单个字形，甚至可能做不到。 - Håken Lid

@HåkenLid 文本和线条没有重叠，我放大了画面所以看起来像是重叠了。 - Dax Amin

@HåkenLid 这份文档对OCR来说是否太过复杂？不过我只需要从顶部的姓名、地址和过期款项/退款表格中提取信息。 - Dax Amin

OCR技术用于扫描文档。如果文件不是由纸质原件生成的，则OCR无关紧要。PDF是一种可以包含各种不同内容的文件格式，适用于打印和屏幕查看。从PDF文件中提取数据没有通用方法。 - Håken Lid

从这个特定的文档中提取数据是完全可能的。但仅仅通过查看图像预览是无法确定的。 - Håken Lid

我尝试了PDFBox，结果令人满意。谢谢！ - Dax Amin

Answer 1

我尝试使用PDFBox并获得了满意的结果。

以下是使用PDFBox从PDF中提取文本的代码：

import java.io.*;

import org.apache.pdfbox.pdmodel.*;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.util.*;

public class PDFTest {

 public static void main(String[] args){
 PDDocument pd;
 BufferedWriter wr;
 try {
         File input = new File("C:/BillOCR/data/bill.pdf");  // The PDF file from where you would like to extract
         File output = new File("D:/SampleText.txt"); // The text file where you are going to store the extracted data
         pd = PDDocument.load(input);
         System.out.println(pd.getNumberOfPages());
         System.out.println(pd.isEncrypted());
         pd.save("CopyOfBill.pdf"); // Creates a copy called "CopyOfInvoice.pdf"
         PDFTextStripper stripper = new PDFTextStripper();
         stripper.setStartPage(1); //Start extracting from page 3
         stripper.setEndPage(1); //Extract till page 5
         wr = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(output)));
         stripper.writeText(pd, wr);
         if (pd != null) {
             pd.close();
         }
        // I use close() to flush the stream.
        wr.close();
 } catch (Exception e){
         e.printStackTrace();
        }
     }
}

- Dax Amin

---

所以你根本不需要OCR。 - Amedee Van Gasse

如果您有一个格式良好的PDF文件，这将起作用。如果某人拍照并保存为PDF，则不会得到结果。为此，您需要OCR。 - Nitin