问如何使用任何Java库使现有的PDF文本可搜索？用OCR

EN

试试Apache PDFBox。

提取文本：Textextraction提取。

有java库吗？如何使用任何java库生成可搜索的文本？开源或付费。

您可以使用Gnostice XtremeDocumentStudio for Java实现这一点。有关更多细节，请参见下面的链接。

Java

在本文中，我们演示了如何将扫描图像转换为可搜索的PDF。实际上，输入可以是任何扫描文档(图像、PDF或DOCX)。

免责声明:我为Gnostice工作。

您可以使用PDFBox从PDF文件中提取图像，然后使用您选择的OCR系统(例如，Tesseract)获取文本。或者，如果PDF是混合文本和图像，您可以使用Ghostscript创建每个PDF页面的图像，然后运行OCR。

如果您随后需要一个可搜索的PDF文件，首先编写文本，然后在文本顶部绘制图像，从而构建一个新的PDF。文本将是可搜索的，但您将只看到图像。

请注意，OCR引擎如Tesseract和Google将返回每个单词的位置信息，因此您将能够将文本放置在正确的位置。