누구나 OCR 라이브러리와 Java를 사용하여 PDF에서 텍스트를 추출하려고 했습니까? 텍스트 추출을 위해 가장 신뢰할만한 라이브러리는 무엇입니까? 필자가 보았던 대부분의 접근법 (tesseract, GOCR)은 C 라이브러리로, 일부 JNI 코드가 작성되어야합니다.PDF OCR을 사용한 텍스트 추출 접근법
저는 현재 버전 0.8.x에서 Apache 인큐베이터 프로젝트 인 pdfbox에 익숙하지만 텍스트 추출이 항상 정확한 것은 아닙니다. 좀 더 신뢰할 수있는 대체 접근법을 찾고 있습니다.
아직까지도 Asprise JavaPDF를 시도하지는 않았지만 시도 중 이었지만 가능하면 OCR 접근 방식에 대해 더 알고 싶었습니다.
도움을 주시면 감사하겠습니다.
텍스트 기반 PDF에서 OCR을 추출하려면 먼저 이미지로 변환해야 할 수 있습니다.
텍스트 기반 PDF가있는 경우 PDFTextStream을 강력히 추천합니다. 무료는 아니지만 라이선스가 합리적이며 PDFBox보다 훨씬 낫습니다. PDFBox는 새로운 도구로 생성되는 많은 PDF 파일을 질식 시키며 처리 할 수있는 PDF에 대해서는 일관성이 없습니다. PDFTextStream은 PDFBox가 수행 할 수없는 PNG 이미지가 포함 된 PDF를 포함하여 모든 PDF를 처리합니다.
OCR을 추가하기 위해 PDFTextStream 사람들을 들으면, 그들은들을 수 있습니다.
감사합니다. 비록 가격에 대해 좋은 생각이 들지만 ... – Jon
몇 년 후, 그러나 이제 PDFTextStream에 무료 버전 (1 트레드 캡 포함)이 있습니다. –
PDF가 이미 텍스트 기반 인 경우 왜 OCR에 대해 논의합니까? PDFBox, iText, PDFTextStream 등을 사용하여 텍스트를 구문 분석하십시오. OCR은 PDF가 이미지 인 경우, 예를 들어 스캐너에서 보내는 경우입니다. PDF가 스캔 한 이미지 인 경우 PDFBox, iText 또는 PDFTextStream도 도움이되지 않습니다. – mmcrae
Tesseract-tesjeract 또는 Tess4J의 Java 래퍼를 사용하여 OCR을 수행 할 수 있습니다. 그러나 PDF의 경우 이미지를 OCR 엔진에 보내기 전에 먼저 이미지 (PNG 또는 TIFF)로 변환해야합니다.
VietOCR은 텍스트 추출을 수행하기위한 Tesseract 실행 파일을 호출합니다. GhostScript를 사용하여 PDF에서 이미지로 변환합니다.
우리는 ABBYY FineReader Engine 11을 사용합니다. 이들은 Java 래퍼를 사용합니다.
장점 :
단점 :
그것은 비용이 든다. 개발자 라이센스 및 최종 사용자 라이센스를 구매해야합니다.
매우 느립니다.
제품에 대한 답변과 정직에 감사드립니다. 몇 년 동안 도구 추천을 요청하는 질문은 주제와 관련이 없으며 대답은 '완료되지 않은'것으로 간주됩니다. (실제로 더 이상 사용하지 않으면 질문을 삭제해야합니다) –
구조화 된 PDF를 사용하고 있습니까? 만약 당신이 자바에서 PDF 메타 데이터의 텍스트를 잡아 능력을 가지고. – northpole
아니요, 일부 PDF가 구조화되어 있지 않습니다. – Jon