Java-Extraction de texte à partir d'un PDF à l'aide de l'OCR
J'ai un fichier pdf (une partie de celui-ci donnée ci-dessous), et je veux en extraire du texte. J'ai utilisé PDFTextStream, mais cela ne fonctionne pas avec ce fichier. (Cependant, cela a fonctionné avec un autre fichier, qui a du texte simple).
Quelles autres bibliothèques OCR sont capables de le faire?
Veuillez aider. Merci.
2
1 answers
J'ai essayé avec PDFBox et cela a produit des résultats satisfaisants.
Voici le code pour extraire du texte de PDF en utilisant PDFBox:
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();
}
}
}
3
Author: Dax Amin, 2016-04-16 11:16:28