将图像转换为可搜索的 pdf [关闭]

Posted 2023-04-17

【中文标题】将图像转换为可搜索的 pdf [关闭]

【英文标题】：Convert image to searchable pdf [closed]

【发布时间】：2012-02-24 13:25:32

【问题描述】：

您好，我正在寻找可以将 tiff 图像转换为可搜索 pdf (OCR) 的开源 Java API。我进行了研究，但到目前为止一无所获。

注意 我看过这篇文章，但这个 API 不会将图像转换为 pdf Java OCR implementation。但是，我仍然在玩代码。

【参考方案1】：

您可以使用 iText 将图像转换为 PDF。这里的难点是做 OCR，而不是创建 PDF。

我会警告您：任何值得使用的 OCR 引擎都会花费您大量金钱。免费和/或开源项目通常是宠物项目，是某种算法的概念证明。不适合现实世界的 OCR 应用程序。 Tesseract 可能是同类中最好的，但即便如此，它的精度也远远低于商业引擎。

我们有一个商业 OCR 应用程序，我在评估引擎时一直走这条路 - 我建议您硬着头皮联系引擎提供商并获取报价：Abbyy（最准确，最昂贵，较慢），Expervision（快速，不准确，中间价格），Nuance（中间速度，准确性和价格）。这些都不是用 Java 编写的，因此您应该计划一些时间围绕它们的 API 开发 JNI 代码。

祝你好运 - 这是一个大项目！

【讨论】：

如果我只想获取扫描的 pdf 并将其转换为带有可搜索文本的 pdf，该怎么办？ Abbyy、Expervision 和其他人仍然是正确的选择吗？

是的 - 加上大量工作以确保保留原始内容。我们有一个商业应用程序可以做到这一点 - 我们已经开发了 10 年，我可以向你保证，付出的努力是巨大的。

:D 我的老板认为这是周末要做的事情

【参考方案2】：

Cuneiform 是免费且易于使用的，它将以 hocr 格式输出，然后可以使用 hocr2pdf 工具在 PDF 上生成不可见的文本层，该工具是 ExactImage 的一部分。

【讨论】：

您好，感谢您的意见，您能否提供有关Cuneiform 和hocr 格式的更多信息？我似乎找不到太多关于它的信息。非常感谢。