使用OCR的PDF文本提取方法
有人试图使用OCR库和Java从PDF中提取文本吗？ 你发现什么是最可靠的文本提取库。 我见过的大多数方法（tesseract，GOCR）都是需要编写一些JNI代码的C库。
我熟悉pdfbox，它现在是0.8.x版本的Apache孵化器项目，但它的文本提取并不总是准确的。 我正在寻找一种更可靠的替代方法。
我还没有尝试过Asprise JavaPDF，在尝试这个过程中，但想了解更多有关OCR方法的信息（如果可能的话）。
任何帮助，将不胜感激。
如果您有基于文本的PDF，我强烈建议您使用PDFTextStream 。 这不是免费的，但许可是合理的，而且它比PDFBox好得多。 PDFBox扼杀了许多由较新工具生成的PDF文件，并且对于它可以处理的PDF不太一致。 PDFTextStream处理我抛出的任何PDF，包括带有嵌入式PNG图像的PDF，PDFBox无法做到这一点。
如果你诅咒PDFTextStream人员添加OCR，他们可能会听。
我们使用ABBYY FineReader Engine 11.他们有java包装器。
优点：
- 它适用于所有语言（英语，俄语，乌兹别克语等）和真正的OCR（即使你有没有OCR的pdf，他们首先执行渲染和OCRing）。
缺点：
-
它的成本。 您必须购买开发人员许可证和最终用户许可证。
-
它非常慢。
如果要从基于文本的PDF中提取OCR，可能必须先将其转换为图像。
您可以使用Tesseract – tesjeract或Tess4J的Java包装器来执行OCR。 但是，对于PDF，在将其提供给OCR引擎之前，您需要先转换为图像（PNG或TIFF）。
VietOCR调用Tesseract可执行文件来执行文本提取。 它使用GhostScript进行PDF到图像转换。