PDF中的机械化数据提取和文本识别

这可以使用两种工具的组合。iText和Tesseract OCR。 伪代码:

2. 分离ImageRenderInfo事件(这些事件负责在页面上绘制图像)
3. 将每个图像馈送给Tesseract(或者更准确地说,是java包装器Tesser4J)
4. 以文本形式检索内容,并(使用iText)将内容放回pdf文档中。iText允许您对文档进行低级访问。因此,您可以在精确位置放置任意字符串。
6. 或者使用pdf2Data处理(增强的)pdf文档,pdf2Data是一个iText插件,专门用于处理根据模板匹配文档和检索内容的情况。(将其转换为XML)

http://itextpdf.com/itext7/pdf2Data
http://tess4j.sourceforge.net/