如何从扫描页面的 PDF 中制作可搜索的 PDF？ [关闭]

Question

如何为我的 Java 应用程序使用 tesseract 从扫描页面的 PDF 中制作可搜索的 PDF？

Answer 1

    String image2Text(String imagePath)
  {
  dataPath= Environment.getExternalStorageDirectory().toString() + "/Android/data/" + appContext.getPackageName() +  "/"; 
    File tessdata = new File(dataPath); 
   if (!tessdata.exists() || !tessdata.isDirectory())
   {
       throw new IllegalArgumentException("Data path must contain subfolder tessdata!");   
} 
     Bitmap image= BitmapFactory.decodeFile(imagePath);
  TessBaseAPI baseApi = new TessBaseAPI();
  baseApi.init(dataPath, "eng"); 

baseApi.setImage(image);
      String recognizedText = baseApi.getUTF8Text();
      baseApi.end();


      return recognizedText;
  }

Answer 2

可以使用 Gnostice XtremeDocumentStudio（用于 Java）。 http://www.gnostice.com/nl_article.asp?id=289&t=How_to_convert_scanned_images_to_searchable_PDF_using_OCR_in_Java

DocumentConverter dc = new DocumentConverter();
DigitizerSettings ds = dc.getPreferences().getDigitizerSettings();
ds.setDigitizationMode(DigitizationMode.ALL_IMAGES);
ds.setRecognizeElementTypes(RecognizeElementTypes.TEXT);

try {
  dc.convertToFile(
    "H:\\Screenshot-2.png", 
    "e:\\converted_image.pdf");
} catch (FormatNotSupportedException e) {
  e.printStackTrace();
} catch (ConverterException e) {
  e.printStackTrace();
} catch (XDocException e) {
  e.printStackTrace();
}

免责声明：我在 Gnostice 工作。