我正在寻找一个能在Linux上运行的开源OCR库,需要支持PNG和PDF格式。我希望能够通过Java或Ruby与这个库进行交互。请问是否有相关可用的内容?祝好。
Tesseract是一款非常好的OCR引擎:https://github.com/tesseract-ocr/tesseract
该项目最初由HP实验室推出,现在由Google(为了Google图书!)继续发展和赞助。它采用Apache许可证发布,并且可以在Linux上运行。它使用Tiff或PNG文件;对于PDF文件,您需要将其转换为其中一种格式。我认为没有绑定,因此您应该将此软件作为子程序调用...
Cuneiform是免费的,而且做得相当不错。你可以将其作为子程序调用,但我不知道是否有语言绑定。它不能直接读取PDF文件,但你可以轻松地拆开由扫描图像序列组成的PDF文件,以将其馈送给Cuneiform。还有一些脚本可以重新组合图像和文本,使其成为可搜索的PDF文件。