使用 Java 或 .NET 库对来自 ColdFusion 的 PDF 执行光学字符识别？答案

【问题标题】：Performing Optical Character Recognition on PDF's from ColdFusion using a Java or .NET Library?使用 Java 或 .NET 库对来自 ColdFusion 的 PDF 执行光学字符识别？
【发布时间】：2009-01-30 19:29:16
【问题描述】：

我希望获取 PDF 并从中提取任何文本。然后我想使用 ColdFusion 的可用 Verity 搜索来搜索内容。

是否有任何图书馆已经很好地做到了这一点？我在范围内包含 Java 或 .NET（首选 Java）库，因为它们可以从 CF 调用。

任何见解或经验将不胜感激...谢谢！

编辑：据我所知，当文本嵌入到 PDF 中时，索引 PDF 文件有效。我必须处理的 PDF 将文本扫描为图像。

【问题讨论】：

标签： java pdf coldfusion ocr

【解决方案1】：

如果您有能力运行自己的软件（即专用/VPS），那么您可以调查使用 Tesseract OCR 和 cfexecute 将 PDF 转换为文本？

【讨论】：

我有自己的服务器，所以这看起来很有潜力。我几年前遇到过这个，不记得名字了..谢谢！它似乎只处理 TIFFS，所以我必须转换 PDF 的每一页。

【解决方案2】：

默认情况下，Verity 应该能够索引 PDF 文件：

http://livedocs.adobe.com/coldfusion/6/Developing_ColdFusion_MX_Applications_with_CFML/indexSearch2.htm#1142322

【讨论】：

当文本嵌入 PDF 时，索引 PDF 文件有效。我必须处理的 PDF 将文本扫描为图像.. 不过我会再看看这个链接

【解决方案3】：

Ray Camden 在working with PDFs in ColdFusion 8 上有一个由八部分组成的系列。

Part 7 系列涵盖使用 DDX 从 PDF 中获取文本。

虽然不确定这是否能满足您的 OCR 需求，但可能仍然值得一看。

【讨论】：

【解决方案4】：

在一个半相关的注释中，我发现了一篇关于在 Coldfusion 中编码和读取 2D 矩阵条形码的非常简洁的帖子。

http://www.stillnetstudios.com/2007/12/15/2d-barcodes-coldfusion/

这可能会解决我需要提取编码信息的一些问题，但我仍然关注正文。

关于 tessnet，也找到了 .net 版本。 http://www.pixel-technology.com/freeware/tessnet2/ 如果我可以在本地输入 PDF 而不是 TIFF .. :)

【讨论】：