从 PDF 中的图像中提取文本

Question

假设我的用户去了他们办公室的扫描仪。扫描仪能够生成扫描文档的 PDF。这基本上就是我拥有的文件类型。

我想做的是从此 PDF 中提取文本。这不是 "first generation" pdf，因为文本没有嵌入到 pdf 中。文本嵌入在 PDF 中的图像中。

PDFBox 的 iText 中是否有允许检索此数据的功能？如果可能的话，我尽量避免对图像进行 OCR。我希望 IText 或 PDFBox 中有内置的东西可以做到这一点。

请注意，我不是在谈论从 PDF 中提取 "normal" 文本，如下所述：How to get raw text from pdf file using java

Answer 1

好的，四处看看后，似乎没有专门针对 iText 或 PDFBox 执行此操作的方法，但看起来 PDFBox 确实有一个第三方软件插件可以完成您的需要.如果有兴趣，链接是 here and here, sourced from here（来自@TilmanHausherr）。