Программно распознайте текст от сканирований в [закрытом] Файле PDF

Вы не можете извлечь просканированный текст из PDF. Вам нужно программное обеспечение OCR. Хорошие новости существует несколько приложений с открытым исходным кодом, можно попытаться, маршрут OCR, скорее всего, будет легче, чем пользование библиотекой PDF для извлечения текста. Проверьте Tesseract и GOCR.

Я отправил о парсинге PDF в одном из моих блогов. Поразите эту ссылку:

http://devpinoy.org/blogs/marl/archive/2008/03/04/pdf-to-text-using-open-source-library-pdfbox-another-sample-for-grade-1-pupils.aspx

Редактирование: Не Свяжите долгие работы. Ниже заключенного в кавычки от http://web.archive.org/web/20130507084207/http://devpinoy.org/blogs/marl/archive/2008/03/04/pdf-to-text-using-open-source-library-pdfbox-another-sample-for-grade-1-pupils.aspx

ну, следующее основано на популярных имеющихся в сети примерах. То, что это делает, "читается" файл PDF и произвело его как текст в управлении форматируемым полем в форме. PDFBox для библиотеки.NET может быть загружен с SourceForge.

необходимо добавить ссылку на IKVM.GNU.Classpath & PDFBox-0.7.3. И также, FontBox-0.1.0-dev.dll и PDFBox-0.7.3.dll должны быть добавлены на папке мусорного ведра Вашего приложения. По некоторым причинам я не могу вспомнить (возможно, это из одного из учебных руководств), я также добавил к мусорному ведру IKVM.GNU.Classpath.dll.

На ноте стороны, просто получил мою копию "Главного Первого C#" (на предложении Keith) от Amazon. Книга прохладна! Это действительно записано для новичков. Этот выпуск покрывает VS2008 и платформу 3.5.

Здесь Вы идете...

/* Marlon Ribunal
 * Convert PDF To Text
 * *******************/

using System;
using System.Collections.Generic;
using System.Drawing;
using System.Windows.Forms;
using System.Drawing.Printing;
using System.IO;
using System.Text;
using System.ComponentModel.Design;
using System.ComponentModel;
using org.pdfbox.pdmodel;
using org.pdfbox.util;

namespace MarlonRibunal.iPdfToText
{
    public partial class MainForm : Form
    {
        public MainForm()
        {
            InitializeComponent(); 
        }

        void Button1Click(object sender, EventArgs e)    
        {    
            PDDocument doc = PDDocument.load("C:\\pdftoText\\myPdfTest.pdf");
            PDFTextStripper stripper = new PDFTextStripper();
            richTextBox1.Text=(stripper.getText(doc));
        }

     }
}

В компании я раньше работал на, мы использовали инструментарий ActivePDF с некоторым успехом:

http://www.activepdf.com/products/serverproducts/toolkit/index.cfm

я думаю, что Вам были бы нужны, по крайней мере, Стандарт или Pro версия, но у них есть пробные версии, таким образом, Вы видите, сделает ли это то, к чему Вы хотите его.

Быстрый поиск Google показывает этот многообещающий результат. http://www.pdftron.com/net/index.html

Можно использовать модуль как perl's PDF для извлечения текста. И используйте другой инструмент для импорта подходящей информации в базу данных.

я уверен, что существуют компоненты PDF для.NET, но я не попробовал никого, таким образом, я не знаю то, что хорошо.

Если PDF будет сканированиями печатаемого текста, это будет твердо (включает обработку изображений, символ, распознающий и т.д.) сделать это самостоятельно. PDF будет обычно хранить отсканированные документы как JPEGs внутренне. Вы лучше из использования стороннего инструмента (инструмент OCR), который делает это.

Я недавно нашел ReportLab для Python.

Если я разбираюсь, это, sheebz спрашивает, как извлечь поля PDF и загрузить данные в базу данных. Вы посмотрели на iTextSharp? - http://sourceforge.net/projects/itextsharp/