时间戳

首页 > 解决方案 > 从 PDFbox 中提取文本

java - 从 PDFbox 中提取文本

问题描述

我有两张类似的样票，一张是横向的，另一张是纵向的。

第一张图片 第二张图片
第一张图片 第二张图片

在第一张图片中，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: 

第二张图片结果

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。

标签： javaocrpdfboxtess4j

解决方案

PDFBox 用于 pdf 操作，它不做 OCR 开箱即用，你需要像 ApacheTika 或 Tesseract OCR 这样的东西

如果pdf中已经有文本，您可以像这样提取它

    PDFTextStripper stripper = new PDFTextStripper();
    stripper.setStartPage(1); // 1 based
    stripper.setEndPage(1);
    String extractedText = stripper.getText(doc);
    System.out.println(extractedText);

推荐阅读