题
我有一个PDF文件,其中包含我们需要导入数据库的数据。这些文件似乎是打印的字母数字文本的pdf扫描。看起来像10点。英语字体格式一种。
是否有任何工具或组件可以让我识别和解析此文本?
解决方案
我已经使用 pdftohtml 成功地将PDF格式的表格删除为CSV格式。它基于 Xpdf ,这是一个更通用的工具,包括 pdftotext 。我只是将它作为来自C#的Process.Start调用包装。
如果你正在寻找更多DIY的东西,那就是 iTextSharp 库 - 一个Java的端口 iText - 和 PDFBox (是的,它说的是Java - 但是他们通过获得了.NET版本IKVM.NET )。以下是使用 iTextSharp 和 PDFBox 。
而且,如果你真的是一个受虐狂,你可以调用Adobe的 PDF IFilter 。 IFilter规范非常简单,但我猜是互操作开销会很重要。
编辑:在重新阅读问题和后续答案之后,很明显OP正在处理他的PDF中的图像。在这种情况下,您需要提取图像(上面的PDF库能够相当容易地完成)并通过OCR引擎运行它。
之前我曾以交互方式使用 MODI ,效果不错。它是COM,因此通过interop从C#调用它也是可行的并且非常简单:
' lifted from http://en.wikipedia.org/wiki/Microsoft_Office_Document_Imaging
Dim inputFile As String = "C:\test\multipage.tif"
Dim strRecText As String = ""
Dim Doc1 As MODI.Document
Doc1 = New MODI.Document
Doc1.Create(inputFile)
Doc1.OCR() ' this will ocr all pages of a multi-page tiff file
Doc1.Save() ' this will save the deskewed reoriented images, and the OCR text, back to the inputFile
For imageCounter As Integer = 0 To (Doc1.Images.Count - 1) ' work your way through each page of results
strRecText &= Doc1.Images(imageCounter).Layout.Text ' this puts the ocr results into a string
Next
File.AppendAllText("C:\test\testmodi.txt", strRecText) ' write the OCR file out to disk
Doc1.Close() ' clean up
Doc1 = Nothing
其他人喜欢 Tesseract ,但我有直接经验。我听说过它的优点和缺点,所以我想这很大程度上取决于你的源质量。
其他提示
您无法从PDF中提取扫描文本。你需要OCR软件。好消息是您可以尝试一些开源应用程序,OCR路径很可能比使用PDF库提取文本更容易。查看Tesseract和GOCR。
我发布了一篇关于在我的博客中解析pdf的文章。点击此链接:
嗯,以下内容基于网上流行的例子。 这样做的是“阅读”。 pdf文件并将其作为文本输出 表单中的富文本框控件。 PDFBox for .NET库可以 从sourceforge下载。
您需要添加对IKVM.GNU.Classpath&的引用。 PDFBox的-0.7.3。和 另外,需要添加FontBox-0.1.0-dev.dll和PDFBox-0.7.3.dll 您的应用程序的bin文件夹。出于某种原因,我不记得了 (也许是来自其中一个教程),我也加入了垃圾箱 IKVM.GNU.Classpath.dll,
在旁注中,刚收到我的“Head First C#”副本。 (基思的 建议)来自亚马逊。这本书很酷!这是真的写的 初学者。此版本涵盖VS2008和框架3.5。
你去......
/* Marlon Ribunal
* Convert PDF To Text
* *******************/
using System;
using System.Collections.Generic;
using System.Drawing;
using System.Windows.Forms;
using System.Drawing.Printing;
using System.IO;
using System.Text;
using System.ComponentModel.Design;
using System.ComponentModel;
using org.pdfbox.pdmodel;
using org.pdfbox.util;
namespace MarlonRibunal.iPdfToText
{
public partial class MainForm : Form
{
public MainForm()
{
InitializeComponent();
}
void Button1Click(object sender, EventArgs e)
{
PDDocument doc = PDDocument.load("C:\\pdftoText\\myPdfTest.pdf");
PDFTextStripper stripper = new PDFTextStripper();
richTextBox1.Text=(stripper.getText(doc));
}
}
}
在我曾经工作的公司,我们使用ActivePDF工具包取得了一些成功:
http://www.activepdf.com/products/serverproducts/toolkit /index.cfm
我认为你至少需要标准版或专业版,但他们有试用版,所以你可以看看它是否符合你的要求。
快速谷歌搜索显示了这一有希望的结果。 http://www.pdftron.com/net/index.html
您可以使用像perl的 PDF 这样的模块来提取文本。并使用其他工具将相关信息导入数据库。
我确信.NET有PDF组件,但我没有尝试过,所以我不知道什么是好的。
如果PDF是对打印文本的扫描,那么自己完成它将很难(涉及图像处理,字符识别等)。 PDF通常会在内部将扫描的文档存储为JPEG。您最好使用执行此操作的第三方工具(OCR工具)。
我最近为Python找到了 ReportLab 。
如果我做对了,sheebz就会问如何提取PDF字段并将数据加载到数据库中。你看过iTextSharp了吗? - http://sourceforge.net/projects/itextsharp/