pdf - 如何从 PDF 中提取嵌入的 OCR 数据？

Question

我有嵌入 OCR 数据的 PDF 文件。（所以我已经对它们进行了 orcd）所以它们是可搜索的。现在我想提取这个 OCR 数据，因为我想放入我的 tomcat6 搜索服务器。为此，我需要普通的 OCR 数据。所以我的问题是，是否可以从 pdf 文件中提取这个嵌入的 OCR 数据？获得带有坐标的文件会很好。但是获取纯文本文件也足够了。

Answer 1

您应该可以使用 iText 或 iTextsharp 做到这一点。然而，iTextsharp 有 0 个文档，并且很多功能并不等同于 iText 中的功能。

PDFSharp 不支持 iref 流。这些几乎是唯一全面的开源解决方案。如果您不介意付费，vista 解决方案可能适合您，它们主要处理工作流程，但它们也有一些相当广泛的 pdf 库。