Java - Text-Extraktion aus PDF mit OCR

Question

Ich habe eine PDF-Datei (ein Teil davon unten angegeben), und möchte Text daraus extrahieren. Ich habe PDFTextStream verwendet, aber es funktioniert nicht mit dieser Datei. (Allerdings funktionierte es mit anderen Dateien, die einfachen Text haben).

Welche anderen OCR-Bibliotheken sind dazu in der Lage?

Bitte Hilfe. Danke.

Answer 1

Ich habe versucht, mit PDFBox und es produziert zufriedenstellende Ergebnisse.

Hier ist der Code Text aus PDF zu extrahieren PDFBox mit:

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(); 
     } 
    } 
}