我需要从已经使用OCR程序转换的PDF中提取文本。我是否使用普通的PDFReader来获取文本，还是OCR转换后的PDF需要特殊处理？
2个回答
3
这取决于文本是如何转换的。许多OCR应用程序以某种方式将文本放置在图像下方。有些应用程序通过先放置文本然后再放置图像来实现此操作。有些则将图像放在底部，然后使用“不标记”传输模式将文本放在顶部。
我之所以提到这一点，是因为我无法预测任何特定文本提取工具如何响应透明文本。理论上，它应该只给你文本（这就是Acrobat的做法）。但是否所有的文本提取工具都能做到这一点现实中很难说。
- plinth
1
谢谢，这个答案是最接近我所问的（显然我没有正确表达我的问题）。OCR转换后的PDF与非OCR PDF在PDF格式方面没有任何区别。OCR过程只是扫描图像并将文本添加到PDF中。我使用Aspose提取文本，并希望确保如果给我的程序一个非OCR PDF，不会发生任何不良情况。 - enamrik
0
有许多商业SDK可用于处理PDF文件。http://www.foxitsoftware.com/pdf/sdk/activex/ 这是Foxit的。
- VoronoiPotato
1
我的问题是，使用某些OCR软件转换的PDF文件是否与普通PDF文件处理方式有所不同。或者说，经过OCR转换的PDF文件只是一个具有更多文本而不是图像的PDF文件。我对PDF结构并不是很了解。 - enamrik
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接