HowTo从PDF中提取嵌入的光学字符识别数据？

Question

我有嵌入OCR数据的PDF文件。(所以我已经对它们进行了orcd )，所以它们是可搜索的。现在我想提取这个OCR数据，因为我想放入我的tomcat6搜索服务器。为此，我需要普通的OCR数据。所以我的问题是，有没有可能从pdf文件中提取嵌入的OCR数据？如果能得到带有坐标的文件就好了。但它也足以获得纯文本文件。

Answer 1

您应该能够使用iText或iTextsharp来做到这一点。然而，iTextsharp没有文档，并且大量的函数并不等同于iText中的那些函数。

PDFSharp不支持iref流。这些几乎是唯一全面的开源解决方案。如果你不介意付费，vista解决方案可能会为你提供一些东西，它们主要处理工作流程，但它们也有一些相当广泛的pdf库。