如何解决从 PDFbox 中提取文本
我有两张类似的样票,一张是横读,一张是竖读。
第一张图片 | 第二张图 |
---|---|
在第一张图片中的结果是
BOOKING ID : BBT3001402
HI ! YOUR BOOKING AT MATHURA EXECUTIVE IS CONFIRMED!
CHECK IN
31
JANUARY
FRIDAY
NIGHTS
4N
CHECK OUT
4
FEBRUARY
TUESDAY
BOOKING DETAILS:
第二个图像结果
BOOKING ID : BBT2601540
HI ! YOUR BOOKING AT VIVANTA BENgalURU,RESIDENCY ROAD IS CONFIRMED!
CHECK IN NIGHTS CHECK OUT
27 7N 03
JANUARY FEBRUARY
WednESDAY WednESDAY
BOOKING DETAILS:
我希望 PDFBox 以任何一种固定格式(水平/垂直)读取数据。
解决方法
PDFBox 用于 pdf 操作,它不会开箱即用地进行 OCR,您需要像 ApacheTika 或 Tesseract OCR 之类的东西
如果pdf中已经有文本,你可以像这样提取它
PDFTextStripper stripper = new PDFTextStripper();
stripper.setStartPage(1); // 1 based
stripper.setEndPage(1);
String extractedText = stripper.getText(doc);
System.out.println(extractedText);
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。