以编程方式识别PDF文件中扫描的文本[关闭]

StackOverflow https://stackoverflow.com/questions/158479

  •  03-07-2019
  •  | 
  •  

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？

有帮助吗？

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：

http://devpinoy.org/blogs/marl/archive/2008/03/04/pdf-to-text-using-open-source-library-pdfbox -another-grade-for-grade-1-pupils.aspx

编辑：链接不长。以下引自 http://web.archive.org/web/20130507084207/http://devpinoy.org /blogs/marl/archive/2008/03/04/pdf-to-text-using-open-source-library-pdfbox-another-sample-for-grade-1-pupils.aspx

  

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＆amp;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/

根据Mark Brackett的回答，我创建了一个 Nuget包来包装 pdftotext 。

开源，定位 .net标准1.6 和 .net framework 4.5 。

用法：

using XpdfNet;

var pdfHelper = new XpdfHelper();

string content = pdfHelper.ToText("./pathToFile.pdf");
许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top