Itext从pdf中获取特殊字母

Question

我正在尝试从 pdf e book 中提取重音单词。使用 itext 库时会产生最好的结果，但我无法从单词中获得重音。 示例：

побеђивање - 应该以- побеђи́ва̄ње（口音缺失）的形式出现

这些字母是西里尔塞尔维亚语。 我尝试了许多 ocr 解决方案，但它们都给出了不好的结果。有没有办法让我使用 itext 提取所有这些 pdf 数据，就像它们在 pdf 中一样。我知道这与 pdf 的工作方式有很大关系，而且这很难得到，但我真的需要这个，替代方法是重新输入所有数据。 pdf文件pdf example file

Answer 1

示例文档实际上包含一个大图像、一个扫描页面和扫描打印字母顶部的不可见文本信息。此文本信息很可能是某些 OCR 处理的结果。

不幸的是，此文本信息已经缺少相关的重音符号。例如。第一个条目的文本

添加为

(\340\361\362\340\353\367\355)Tj 0 Tc (\236)Tj
...

如您所见，位置 1 和 4 使用了相同的字母 \340，而根据扫描的页面，其中一个匹配的打印字母有重音，一个没有。

这发生在整个页面中。

因此，任何常规文本提取的尝试都将无法返回有问题的重音符号。您唯一的机会就是使用 OCR。

你说你

尝试了许多 ocr 解决方案，但都给出了不好的结果

您可能将 OCR 应用程序应用于 PDF 或其渲染版本。我建议您改为提取扫描的图像；这样你就可以获得所有的质量。 iText 可以帮助您进行图像提取。