使用 tesseract 2.04 和 Java 获取文本位置

Question

我在一些图像中使用 Tesseract 2.04 执行 OCR，现在我必须得到文本的精确位置。但此版本不返回此信息。

我需要这个来生成一个可搜索的 pdf 文件。我已经学会了如何在 pdf 的底层中标记文本，但我需要标记该文本的位置。 我的第一个想法是在pdf中执行ocr，获取文本和文本的位置，用iText api在pdf中标记。

Answer 1

在 iText 内部，我们还研究了 OCR。这是可能的（使用 Tesseract）。

工作流程：

1. 使用 iText 从 pdf 中提取所有图像
2. 使用 Tesseract 提取文本（以及坐标、字体等）
3. 应用坐标变换（因为tesseract坐标系和iText坐标系不一样）
4. 为 pdf 添加图层 (canvas.beginLayer)
5. 在正确的位置绘制该图层中的所有文本

您可以进行更多优化。简短的建议列表：

• 正确的基线
• 正确的字体
• 纠正拼写错误
• 估计颜色
• 估计背景颜色

这不是一件容易的事。但肯定有可能。