image - PDF 和 Word 提取覆盖在图像上的文本

Question

用于处理 PDF 或 Microsoft Word（DOC、DOCX）内容的工具，在解析带有覆盖在其上的文本标签的图像的文档时，将这些标签分别提取到图像中。结果是在没有覆盖文本的情况下提取每个这样的图像，然后是该文本的一个或多个段落，脱离上下文。

在这种情况下，像 (a) 这样的图像

-------------
|  Level 2  |
-------------
|  Level 1  |
-------------

被提取为（b）

-------------
|           |
-------------
|           |
-------------

Level 2
Level 1

这是用于PDF或Word处理的工具的“标准”行为，例如 Apache PDFBox和POI。

有没有办法在 Apache 工具或任何其他类似工具中处理这个问题？

理想的解决方案是将图像和标签作为单个实体提取，如上面的 (a)。或者，可以一起停用图像和标签提取。

最终，应该有办法避免标签对文档文本的“污染”，否则这些标签会显得内容不足。

标签： imagepdfapache-poipdfboxdocx