LEADTOOLS如何将PDF转换为C#、VB和Java中的文本?

翻译|使用教程|编辑:杨鹏连|2021-04-09 11:41:05.543|阅读 21 次

概述:本文介绍了有关如何开始使用C#,VB和Java从PDF阅读文本的一些概述。

# 31款JAVA开发必备控件和工具 #

LEADTOOLS Recognition Imaging SDK是精选的LEADTOOLS SDK功能集,旨在在企业级文档自动化解决方案中构建端到端文档成像应用程序,这些解决方案需要OCR,MICR,OMR,条形码,表单识别和处理,PDF,打印捕获 ,档案,注释和图像查看功能。 这套功能强大的工具利用LEAD屡获殊荣的图像处理技术,智能识别可用于识别和提取任何类型的扫描或传真形式图像数据的文档功能。

点击下载LEADTOOLS 试用版

虽然PDF文件既灵活又可移植,但不幸的是它们并不总是可搜索的。实际上,一个非常普遍的要求是能够解析PDF中的文本。幸运的是, LEADTOOLS OCR Engine使得从PDF文件中提取可搜索文本变得轻而易举。LEAD的AI增强引擎可以接受任何PDF(无论是否可搜索),并在必要时使用OCR从中提取文本。提取后,LEADTOOLS可以将该信息保存到文本文件,可搜索的PDF文件或 其他150多种受支持的文档格式中。

下面概述了有关如何开始使用C#,VB和Java从PDF阅读文本的一些概述。

C#–从PDF获取文本

以下是C#控制台应用程序的概述,该应用程序将对输入文件进行OCR并将文本打印到控制台。

public void DocumentPageGetTextExample()
{
 var options = new LoadDocumentOptions();
 using (var document = DocumentFactory.LoadFromFile(Path.Combine(LEAD_VARS.ImagesDir, "input.pdf"), options))
 {
  var ocrEngine = OcrEngineManager.CreateEngine(OcrEngineType.LEAD);
  var rasterCodecs = new RasterCodecs();
  var documentWriter = new DocumentWriter();
  ocrEngine.Startup(rasterCodecs, documentWriter, null, LEAD_VARS.OcrLEADRuntimeDir);

  document.Text.OcrEngine = ocrEngine;

  // get text
  var page = document.Pages[0];
  var pageText = page.GetText();
  if (pageText != null)
  {
   pageText.BuildText();
   var text = pageText.Text;

   Console.WriteLine(text);
  }
  else
  {
   Console.WriteLine("Failed!");
  }
 }
}

static class LEAD_VARS
{
 public const string ImagesDir = @"C:\Input_File_Path\";
 public const string OcrLEADRuntimeDir = @"C:\LEADTOOLS21\Bin\Common\OcrLEADRuntime";
}
Visual Basic –从PDF获取文本

以下VB代码将对输入文件进行OCR并将文本打印到控制台。

Public Shared Sub DocumentPageGetTextExample()
 Dim options As New LoadDocumentOptions()
 Using document As Leadtools.Document.LEADDocument = DocumentFactory.LoadFromFile(Path.Combine(DocumentPath.Path, "input.pdf"), options)
  Dim ocrEngine As IOcrEngine = OcrEngineManager.CreateEngine(OcrEngineType.LEAD)
  Dim rasterCodecs As New RasterCodecs()
  Dim documentWriter As New DocumentWriter()
  ocrEngine.Startup(rasterCodecs, documentWriter, Nothing, LEAD_VARS.OcrLEADRuntimeDir)

  document.Text.OcrEngine = ocrEngine

  ' get text
  Dim page As Leadtools.Document.DocumentPage = document.Pages(0)
  Dim pageText As DocumentPageText = page.GetText()
  If Not pageText Is Nothing Then
   pageText.BuildText()
   Dim text As String = pageText.Text

   Console.WriteLine(text)
  Else
   Console.WriteLine("Failed!")
  End If
 End Using
End Sub

Public NotInheritable Class LEAD_VARS
 Public Const OcrLEADRuntimeDir As String = "C:\LEADTOOLS21\Bin\Common\OcrLEADRuntime"
End Class
Java –从PDF获取文本

LEADTOOLS引擎能够将提取的文本存储为 150种支持的文件格式中的一种。这是Java实现的示例。

static void ConvertToDocument(String inputFile, DocumentConverter docConverter, OcrEngine ocrEngine)
{
 DocumentWriter docWriter = new DocumentWriter();
 ocrEngine.startup(new RasterCodecs(), docWriter, null, null);

 String outputFile = "C:\\OutputFilePath\\searchablePDF.pdf";

 docConverter.setDocumentWriterInstance(docWriter);
 docConverter.setOcrEngineInstance(ocrEngine, true);
 DocumentConverterJobData jobData = DocumentConverterJobs.createJobData(inputFile, outputFile, DocumentFormat.PDF);
 jobData.setJobName("DocumentConversion");

 DocumentConverterJob job = docConverter.getJobs().createJob(jobData);
 docConverter.getJobs().runJob(job);

 if (job.getErrors().size() > 0)
  for (DocumentConverterJobError error : job.getErrors())
   System.out.println("\nError during conversion: " + error.getError().getMessage());
 else
  System.out.println("Successfully converted file to " + outputFile);
}
您是否看到我们之前的文章“ 如何将PDF转换为DOC / DOCX”?请继续关注更多转换示例,以了解LEADTOOLS文档转换器如何轻松地将其转换为将PDF文件转换为其他文档文件或图像并再次返回的任何工作流程。在此期间需要帮助吗? 请联系我们的支持团队以获取免费的技术支持!

试用版下载>>>

查看LEADTOOLS详细介绍>>

LEADTOOLS 使用教程>>>


想要购买LEADTOOLS正版授权,或了解更多产品信息请点击【咨询在线客服】


标签:

本站文章除注明转载外,均为本站原创或翻译。欢迎任何形式的转载,但请务必注明出处、不得修改原文相关链接,如果存在内容上的异议请邮件反馈至hey@evget.com

文章转载自: LEADTOOLS

为你推荐

  • 推荐视频
  • 推荐活动
  • 推荐产品
  • 推荐文章
  • 慧都慧问
相关产品
LEADTOOLS Imaging Pro Developer Toolkit

20多年的老牌图像处理控件,支持TWAIN扫描、200多种图像效果、150多种图像格式…

LEADTOOLS Document Suite Developer Toolkit

LEADTOOLS Document Imaging Suite SDK是LEADTOOLS SDK中各种特点的精选组合,这套强大的工具利用了LEAD行业领先的图像处理技术来智能地识别文档的特征,而根据文档的特征可以识别扫描的或传真的任何类型的表格图像。

LEADTOOLS Document Imaging Developer Toolkit

多语言的文档图像处理控件,支持光符识别处理、条形码扫描识别等。

LEADTOOLS Medical Developer Toolkit

LEADTOOLS Medical Imaging是一款医疗成像控件,包含了一些精心挑选的、经过优化的特性,可以满足医疗成像应用程序开发的特殊需要。

LEADTOOLS Multimedia Developer Toolkit

LEADTOOLS Multimedia SDK是一款功能强大的音频处理 / 视频处理控件,可创建具有专业水准的高品质的多媒体应用程序。

在线咨询
联系我们
TOP
在线客服系统
live chat