pdfのx、yウィンドウ内のOCR

Question

セットアップファイルでx、y座標を設定できるオープンソースまたはLinuxベースのユーティリティが必要です。私はその後、pdfを連続して開き、最初の姓と口座番号を文書で調べ、姓とファイル番号からなるファイル名でファイルを保存します。

Answer 1

あなたはまずこれらの答えの一部を読むことをお勧めします：上記

• A Java Library for text extraction from PDF documents preserving empty spaces and lines
• How to extract text from a PDF?
• How-to extract text from a pdf doc within a specific rectangular region?

の答えは、Linux固有のものではありません。

ほとんどのPDF文書は、テキストがPDF内に含まれているため、OCRされている必要はありません。 JavaのiText（http://itextpdf.com/）はおそらく、Linux上でPDFテキスト文字列を抽出するための最良のツールキットです。別のオプションはhttp://pdfbox.apache.org/

です。実際に抽出するテキストがイメージの場合は、PDF全体のページをTIFFなどのイメージフォーマットに変換し、Google Tesseract OCRなどのOCRエンジンに渡す必要があります。