识别文字的pdf
识别文字的PDF是一种可以将PDF文档中的文字内容提取出来并进行识别的技术。通过使用光学字符识别（OCR）技术，可以将PDF文档中的文字转换为可编辑的文本格式，从而方便进行搜索、编辑和复制等操作。
识别文字的PDF在许多场景中都有广泛的应用。以下是一些应用场景：
- 文档管理：将纸质文档或扫描件转换为可编辑的电子文档，方便进行存档、检索和管理。
- 数据提取：从大量的PDF文档中提取特定的数据，例如从合同中提取关键信息、从报告中提取统计数据等。
- 文字搜索：将PDF文档中的文字内容转换为可搜索的文本，方便用户快速定位所需信息。
- 文字翻译：将PDF文档中的文字内容提取出来后，可以方便地进行翻译工作。
- 文字编辑：将PDF文档中的文字转换为可编辑的文本格式，可以进行修改、添加和删除等操作。
腾讯云提供了一款名为"OCR文字识别"的产品，可以实现对PDF文档中的文字进行识别。该产品支持多种语言的文字识别，并提供了高精度的识别效果。您可以通过以下链接了解更多关于腾讯云OCR文字识别产品的信息：https://cloud.tencent.com/product/ocr
相关·内容
当用户单击链接时，我试图将链接按钮的文本颜色更改为红色。因此，作为一个用户，我可以识别我已经点击了这个链接。
<body>
<form id="form1" runat="server">
<div>
<asp:GridView ID="FileGrid" runat="server" AutoGenerateColumns="False" OnRowCommand="FileGrid_RowCommand">
浏览 3提问于2015-06-24得票数 0
回答已采纳
2回答
自定义媒体类型的URI？
、、、
我需要在RDF文档中描述电子签名的PDF和普通PDF的文档。只包含媒体类型。
使用自定义URI从普通PDF中识别电子签名PDF的良好做法是什么？
我正在读到，可以从x-开始定义一个新的媒体类型；我可以简单地定义http://example.com/media-type/application/x-signed-pdf并使用这个URI作为RDF中dcterms:format (或myontology:mediaType)属性的值吗？
浏览 3提问于2018-06-06得票数 2
回答已采纳
我使用这个宝石来使用Prawn来创建一个PDF：
然而，我似乎不知道如何添加一个图像。我尝试过pdf.image "path/to/img.jpg，但它会说该文件不是可识别的格式。
我也在第101页：上研究过这个问题，但是它不起作用。
这种情况发生在意见中：
prawn_document() do |pdf|
pdf.image "#{Rails.root}/public/logo.gif"
end
这会抛出：
Prawn::Errors::UnsupportedImageType at /admin/purchases/6188.pd
浏览 2提问于2013-12-04得票数 2
回答已采纳
我见过一些pdf文件后，OCR有非常准确的文本(无论是在识别率，在文本对齐图像)。
如果pdf文件中隐藏的文本层是否来自OCR，那么Unix/Linux工具会帮助我知道什么呢？
浏览 0提问于2014-12-07得票数 2
有办法编辑PDF文档文本吗？比如找到和替换特定的文本？
我有一个PDF文档，其中包含的文本占位符，我需要识别和替换，或只是删除该文本。
我能够编辑特定坐标(x，y)的pdf，但无法识别和替换。我看到的所有库都是从零开始创建的PDF和小的编辑功能。不管怎样，我可以用itext编辑上面的解释吗？请advise...thank你！
**例子:一份pdf文件载有以下的副翼。在这一段中，我需要确定日期:和从:作为一个文本，并用其他的东西代替它。
是最古老的古希腊和拉丁文，在单词或其他文字之间几乎没有空格，可以用boustrophedon (交替方向)书写。随着时间的推移，文本方向(从左到右)变得标准化，
浏览 5提问于2014-07-10得票数 2
我正在使用PDF转换库在PDF文件中嵌入字体。
但是，有些文档(日语？)有问题。库无法正确识别字体名的位置
/FontName /#82l#82r#82o#83S#83V#83b#83N
这是字体的有效名称吗？
如果是-谁能给我一个推荐人？
浏览 2提问于2010-02-06得票数 0
回答已采纳
我有问题预览PDF在Gmail。它不识别我正在使用的一些国际字符(它不显示像ą ć ś这样的字母，但它显示的是ł)。我正在用Cp1250编码这个pdf。
对发生了什么事有什么想法吗？
浏览 2提问于2016-09-28得票数 0
回答已采纳
我尝试将正则表达式模式存储在Yaml文件中，如下所示：
---
Fidor:
Fidor Rechnungsabschluss kurz:
From: ^Rechnungsabschluss_(\d{2})_(\d{4})\.pdf
To: \\2_\\1_Rechnungsabschluss_Fidor.pdf
Fidor Rechnungsabschluss lang:
From: ^Rechnungsabschluss_(\d{2})_(\d{4})_(\d+)\.pdf
To: \\2_\\1_Rechnungsabschluss_Fidor_
浏览 0提问于2021-03-03得票数 0
我想要创建一个thunar自定义操作，让我右键单击一个PDF，然后选择“拆分PDF”来分割成单独的页面。这样做的命令是：
$ pdfseparate mypdf.pdf mypdf-%d.pdf
它将为每个页面创建一个新的PDF，名为mypdf-1.pdf、mypdf-2.pdf等。%d被pdf分离器命令替换，并按照手册页的页码进行替换：
概要PDF单独的PDF-文件PDF-页面模式PDF-页面模式应该包含%d (或任何有关printf格式的变体)，因为%d被页码所取代。
Thunar自定义动作用文件所在的目录插入任何%n作为选定的文件，任何%d。因此，如果我试图复制上面的命令，将mypdf.
浏览 0提问于2023-01-18得票数 2
回答已采纳
1回答
字体是为波斯字符，但我希望英语和其他字符通常使用正常的字体，而不是我设置的字体。
代码：
$pdf = new \TCPDF(PDF_PAGE_ORIENTATION, PDF_UNIT, PDF_PAGE_FORMAT, true, 'UTF-8', false);
$pdf->SetAutoPageBreak(TRUE, PDF_MARGIN_BOTTOM);
$lg = Array();
$lg['a_meta_charset'] = 'UTF-8';
$lg['a_meta_di
浏览 1提问于2020-08-05得票数 2
回答已采纳
我正在编写一个程序，试图解析PDF文件中的数据。问题是，我们需要解析PDF中的某个部分，该部分被格式化为三层结构:标题、子标题、段落。到目前为止，我们正在使用换行(\n)来尝试解析数据，但这在很大程度上是效率低下的。即使我们有标题和副标题的所有可能值，解决方案仍然不是理想的，因为新的PDF可能用新的标题和子标题值来创建。
然而，PDF是以这样的方式创建的:标题是最接近左边边距的，子标题被缩进更远的地方，而缩进在段落上甚至更大。我们希望能够使用缩进来识别我们想要解析的行。是否有用于Visual的PDF库可以做到这一点？我在用C#编码。
浏览 0提问于2014-11-19得票数 2
1回答
我正在浏览一个在浏览器上生成pdf的php代码，代码运行良好，但我无法理解下面这句话背后的含义……
$page_format = array(
'MediaBox' => array ('llx' => 0, 'lly' => 0, 'urx' => 210, 'ury' => 210),
'Dur' => 3,
'trans' => array(
'D' => 1.5,
'S
浏览 1提问于2017-04-17得票数 0
2回答
生成PDF时无法获取捷克语字符
、、、、
我有一个问题，当添加字符时，如"Č“或"Ć”，而生成的PDF。我主要使用段落在我的PDF报表中插入一些静态文本。下面是我使用的一些示例代码：
var document = new Document();
document.Open();
Paragraph p1 = new Paragraph("Testing of letters Č,Ć,Š,Ž,Đ", new Font(Font.FontFamily.HELVETICA, 10));
document.Add(p1);
生成PDF文件时，我得到的输出如下所示："Testing of letters，
浏览 8提问于2014-10-29得票数 12
我有一个下载的PDF在中国，我想提取文本从使用提卡+ Python (原始链接到完整的PDF可以找到，或提取的样本页面可以找到)。
当我运行以下代码时
analysed_file = 'D:\\5_Programming\\test.pdf'
# Parse data from file
file_data = parser.from_file(analysed_file, "http://localhost:9998/")
# Get files text content
text = file_data['content']
print(
浏览 1提问于2020-09-07得票数 0
1回答
Laravel PDF中文字符
、、、、
我使用laravel和im使用barryvdh/laravel-dompdf作为pdf报告生成器，我对中文字符有一些问题，但我从google得到了解决方案，使用以下css代码导入字体：
<style>
@font-face {
font-family: 'Noto Sans';
font-style: normal;
font-weight: 400;
src: url("<?php echo $_SERVER["DOCUMENT_ROOT"]; ?>/pac
浏览 5提问于2015-12-04得票数 0
我正在开发一个Android应用程序来检测PDF文件中的文本。
首先，我尝试使用。但是它需要OAuth 2.0。所以我从它变成了Firebase ML Kit。
但是当我运行'fromFilePath‘方法时，就会出现NPE。
val file = getPdfFile()
Log.d(TAG, "file.length: ${file.length()}") // File size is printed correctly!
// NPE occurred while below code running
val image = FirebaseVisionIma
浏览 1提问于2019-03-07得票数 0
我正在尝试将文件first_second.pdf重命名为first_0second.pdf 因此，我阅读了有关捕获和反向引用的内容。但不知何故，它不起作用。有人能告诉我我哪里做错了吗？ rename 's/\(.*_\)\([1-9]\).pdf$/$10$2.pdf/' first_1.pdf 我期望将first_1.pdf重命名为first_01.pdf
浏览 28提问于2019-01-18得票数 2
1回答
新的pdf解析。
我想识别一个pdf文件中的图形，所以我可以跳过它，而不是提取这种类型的文本。关于pdf，我只知道它是从word生成的(而不是扫描的)。
输入- pdf与一个图形，如这一个。输出应为-真或假
水管工识别表格，但似乎不识别图表。尝试识别曲线和矩形，但结果不一致。
也许还有别的办法？
谢谢!
浏览 5提问于2022-11-17得票数 0
1回答
我只是尝试用TCPDF将HTML转换成PDF
但有些地方不对劲
CSS可见性属性不适用于我。
这是我的php代码：
<?php
包括主TCPDF库(搜索安装路径)。
require_once('tcpdf_include.php');
创建新的PDF文档
$pdf = new TCPDF(PDF_PAGE_ORIENTATION, PDF_UNIT, PDF_PAGE_FORMAT, true, 'UTF-8', false);
设置文档信息
$pdf->SetCreator(PDF_CREATOR);
$pdf->SetAuthor('
浏览 2提问于2016-04-25得票数 1
回答已采纳
所以,
我已经成功地修改了其他的所有东西，但是不知道如何仅仅改变页脚的字体大小，相比于表字体本身，它现在太大了。
let pdf = new jsPDF({orientation: 'l'});
let res = pdf.autoTableHtmlToJson(document.getElementById('capture'));
const totalPagesExp = '{total_pages_count_string}';
let height = pdf.internal.pageSize.getH
浏览 0提问于2018-12-12得票数 3
回答已采纳
我正在尝试将NeutraText字体添加到使用iText5创建的PDF文档中，但是收到了一个错误，说明编码不被识别。错误发生在下面的最后一行。
Dim fontDir = Server.MapPath("~/Fonts")
FontFactory.RegisterDirectory(fontDir)
Dim myFontBase = BaseFont.CreateFont("neutratext-lightalt", BaseFont.IDENTITY_H, True)
准确的错误读取
“字体‘中和-亮’与‘标识-H’是不被识别的”
我尝试了几个Base
浏览 5提问于2018-06-12得票数 0
回答已采纳
1回答
我试图通过识别每个字符和每个单词的内容和位置，从(数字) PDF中提取文本信息。话说回来，来自xpdf / poppler的pdftotext --bbox工作得很好，但我找不到一种简单的方法来提取字符位置。
我试过什么
我目前使用的解决方案是将pdf转换为svg (通过pdf2svg)，然后解析生成的svg以提取单个字符(=字形)位置。在第三步中，将结果框进行比较，将每个字符分配为一个单词，希望数字匹配。
问题
虽然上述方法适用于大多数“基本”字体，但有两种(主要)情况下这种方法失败：
在脚本字体(或一些极端斜体字体)中，边框比它们的内容大得多；因此，单词明显重叠，一个字符完全包含在两个
浏览 1提问于2019-05-16得票数 0
回答已采纳
1回答
我正在尝试识别PDF文件是否为PDF/A文件。使用poppler-php，我能够读取元数据，但没有迹象表明它是PDF/A文件。 我的目标是通过添加数据来编辑PDF。PDF/A似乎是只读的(因为它们是为存档而设计的，这并不奇怪)。我想要识别他们，以便提前拒绝他们。 致以敬意，
浏览 9提问于2020-09-07得票数 1
回答已采纳
我有两个pdf文件，都在同一个布局与不同的信息。问题是:我可以很好地阅读其中一个，但另一个是无法识别的数据。
这是一个我可以很好地阅读的例子，下载
from_pdf = camelot.read_pdf('2019_05_2.pdf', flavor='stream', strict=False)
df_pdf = from_pdf[0].df
camelot.plot(from_pdf[0], kind='text').show()
print(from_pdf[0].parsing_report)
--这是预期的数据格式
浏览 4提问于2021-09-09得票数 0
回答已采纳
我有一个脚本，我需要在其中使用类似于的测试(布尔测试“字符串是否存在?")。在manual中的示例中，使用了正常的%variable%，但我启用了延迟扩展。在我的代码中，我需要从!line！中删除%pdf%。我的意图是像在中那样做(例如，设置_endbit，其中使用%variable% )
下面是我的代码：
@echo off
setlocal EnableDelayedExpansion
set "source=GEN 0 GENERAL.html"
set "pdf=0_1_en.pdf"
echo In file:%source%
echo Loo
浏览 0提问于2012-02-21得票数 2
回答已采纳
我正在开发应用程序，我需要从pdf中识别段落。
我需要提取文本并识别段落。
是否有任何方法提取文本和识别段落和页面边界提取的文本从pdf文档使用c#？
浏览 2提问于2015-03-25得票数 3
回答已采纳
2回答
我想显示文本中的所有行，但目前我只显示第二行。错误在我的rowRegex中:(.我将非常感谢您的帮助。
我的代码：
package test.jpa;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class FireTest {
public static void main(String[] arStrings) throws Exception {
String str = "*PureNG*#"
+ &#
浏览 0提问于2015-12-09得票数 1
2回答
我用CFDocument创建了一个包含日语内容的pdf。但它没有显示日本的数据。我使用pageEncoding作为utf-8。它只显示空格，而不显示日语数据。
我使用了以下代码，
<cfcontent type="application/pdf">
<cfheader name="Content-Disposition" value="attachment;filename=test.pdf">
<cfprocessingdirective pageencoding="utf-8
浏览 18提问于2013-12-26得票数 1
我有以下表达式：[^(\r\n)]*来识别任何不包含\r\n的文本。但是，当文本包含(或)时，则无法识别。
示例：
"I have following expression to recognize any text."将被确认为OK。
"I have following expression (A) to recognize any text."将不被识别。
因此，我想要全文："I have following expression (A) to recognize any text."
浏览 1提问于2012-12-08得票数 3
回答已采纳
3回答
我正在使用ghostscript转换PDF的Tif与C$类包装，然后是使用光学字符识别tessnet2读取图像文件的内容，但tif图像是相当不可读，图像是相当褪色的，看起来不正确，光学字符识别引擎无法读取任何东西。有没有开放源码或库，可以花我几块钱就可以将PDF转换成高质量的TIf？或者任何可以读取PDF的开源光学字符识别引擎，因为tessnet2不能读取PDF。
浏览 6提问于2012-08-31得票数 0
回答已采纳
1回答
我有PDF文件已经被“识别”使用OCR文本识别->识别文本使用功能在Acrobat。
我想把这些作为一个上传(C# ASP.NET MVC)，并能够提取这些信息用于索引和搜索目的。
我尝试打开PDF文件，但没有找到任何被识别的文本，所以我猜它是压缩和/或编码的。
有什么想法吗？
浏览 0提问于2010-06-25得票数 0
回答已采纳
1回答
在我的PHP项目中，我有一个PDF，我想输出俄语文本：
Это предложение на русском языке.
在我的MySQL数据库中，我有一个带有俄罗斯数据的utf8_unicode_ci表。在本表中，俄罗斯数据用无法识别的字符表示，如下所示：
Я дейÑтвую Ñкорее доверительно Ð
在我的pdf中，不是输出相应的Cyrllic，而是输出这些无法识别的字符。
下面是我的FPDF代码的摘录，请注意输出有问题的变量$myRussianSentence：
$pdf=new FPDF();
$pdf->S
浏览 1提问于2016-01-23得票数 0
我在Ubuntu机器上有一个包含大量文件的目录，以及以相同前缀开头的文件子组。我需要目录文件名称中的不同前缀列表，如下所示。关于列名：
pj6_ex_18_i535_tr_92.pdf
pj6_ex_18_i535_tr_95.pdf
...
pj6_ex_14_i535_tr_96.pdf
pj6_ex_14_i535_tr_97.pdf
pj6_ex_14_i535_tr_98.pdf
....
pj1_ex_24_i535_tr_91.pdf
pj1_ex_24_i535_tr_92.pdf
pj1_ex_24_i535_tr_93.pdf
...
pj3_ex_16_i535_tr_2
浏览 0提问于2021-05-05得票数 0
我正在尝试匹配HTML文档中包含特定文件夹链接的所有href属性，而不是PDF。我很难让它匹配，我有一个可以得到所有PDF的：
var regexPDF = new RegExp('href=[\'|"](assets/.*?\.pdf)?[\'|"]','gi');
但我排除PDF的尝试并没有让我走得太远。有没有办法做我想要的，或者我只是匹配所有的文件而不是使用条件语句来检查它是否是PDF？谢谢！
达伦
浏览 1提问于2013-06-04得票数 0
部署一个全新版本的门户，我必须添加一些“遗留”重写，以便将所有过去的文档链接重定向到它们的新版本。 一些旧的链接就像这样 http://sitename.com/media/pdf/MIXED%20FIL_E_Name_With%20spaces_and%20stuff-e324a.pdf 而他们的新路径是 https://sitename.it/app/uploads/2019/03/mixed-fil_e_name-with-spaces_and-stuff-e324a.pdf。 我尝试了以下重写，但无济于事。 rewrite ^/media/pdf/MIXED%20FIL_E_Name
浏览 21提问于2019-03-15得票数 1
1回答
文档已转换，但转换后的PDF上缺少所有中文字符。
你知道如何解决这个问题吗？
代码：
OutputStream os = new FileOutputStream("output.pdf");
String inputFile = "input.html";
String url = new File(inputFile).toURI().toURL().toString();
ITextRenderer renderer = new ITextRenderer();
renderer.setDocument(url);
renderer.layout();
浏览 2提问于2013-05-29得票数 4
当我搜索一个项目时，谷歌会推荐PDF格式的结果。谷歌如何识别PDF内容？在我的网站上使用PDF文件的内容有什么问题吗？该网站的内容是否会被谷歌识别为重复内容？会不会对网站的搜索引擎优化产生负面影响？谢谢。
浏览 0提问于2018-10-19得票数 3
回答已采纳
1回答
CAM：：PDF的函数getPageDimensions为纵向页面和横向页面返回相同的值。如何识别PDF页面的方向？我正在使用CAM::PDF Perl库，我想知道如何使用这个库来做到这一点。但也欢迎任何其他方法来识别这一点(最好使用Perl库)。
谢谢。
浏览 0提问于2009-03-19得票数 4
回答已采纳
我有一个PostScript，它使用TrueType字体。但是，我希望包括一些常用字符，如注册号()和右/左单引号/双引号(‘，“等)。
所以我用了象形文字，并叫这些符号的名字。
%!
<< /PageSize [419.528 595.276] >> setpagedevice
/DeviceRGB setcolorspace
% Page 1
%
% Set the Original to be the top left
%
0 595.276 translate
1 -1 scale
gsave
%
% Save this state befor
浏览 1提问于2015-05-29得票数 0
2回答
我正在工作的发票处理项目使用Azure从识别器。所有发票都是PDF格式的。我正在使用一个自定义的表单识别器与标签。我可以从PDF中提取一些数据，如发票编号、发票日期、金额等，但我想使用Azure表单识别器从pdf中提取表格数据，但它没有正确读取表。
我已经标记了我需要的单元格，当表中的行数增加时，它正确地读取列，但是它无法将每一行的值彼此分开，并将整个列作为单个值返回。
我试图提供更多的示例，但它仍然未能检测到正确的表。是否有办法使用Azure表单识别器正确地从PDF中提取表数据？
扫描表是我们的应用程序的基本要求，它将决定我们是否使用Azure表单识别器作为应用程序的基础。
请查看下面的PD
浏览 10提问于2020-09-15得票数 0
1回答
如何将.wmf转换为.pdf
、、、、
如何将.wmf“阿拉伯语”文件转换为PDF？
我使用下面的代码
iTextSharp.text.Image img1 = ImgWMF.GetInstance(@"path.wmf");
Document pdfDoc = new Document(img1);
PdfWriter.GetInstance(pdfDoc, new FileStream(@"path.pdf", FileMode.Create));
pdfDoc.Open();
img1.SetAbsolutePosition(0, 0);
pdfDoc.Add(img1);
pdfDoc.Clo
浏览 6提问于2017-04-05得票数 1
我使用的是Drupal7，我利用打印模块和TCPDF库在特定节点类型上生成了可下载的PDF。现在我想插入一个自定义的Drupal块( PDF的书签)到可下载的PDF文件。是否有任何选项，我可以做插入这个块到PDF中。
谢谢
浏览 4提问于2012-08-03得票数 1
我刚开始学习巨蟒和机器学习，但我已经开始掌握它了。使用AWS text_detection确实很酷，但我想知道它是否能够检测出英语以外的其他语言。我知道AWS有一个功能来识别文本文件中的主导语言，但是图像文件有识别功能吗？任何帮助都是非常感谢的。
浏览 3提问于2018-11-25得票数 0
回答已采纳
1回答
我放了一些pdf文件来测试从外部存储器加载pdf，并编写了以下代码：
代码是：
val main_path = "/storage/emulated/0/"
val dl_path = Environment.DIRECTORY_DOWNLOADS
val filename = "GLCIC.pdf"
val filename2 = "edge.pdf"
private val img_path = Environment.DIRECTORY_DCIM
private val mv_path = Environment.DIRECTOR
浏览 3提问于2020-11-05得票数 0
2回答
可能重复：
是任何可以渲染pdf的免费图书馆。我需要解析pdf并分别显示图像和文本..。感谢您提供的任何信息！
浏览 3提问于2011-01-23得票数 3
回答已采纳
我有一个WebView，它加载一个PDF文件：
[myWebView loadRequest:[NSURLRequest requestWithURL:[NSURL
fileURLWithPath:[[NSBundle mainBundle] pathForResource:fileName
ofType:@"pdf"]isDirectory:NO]]];
它在iPhone OS 2.x上工作得很好，但在iPhone 3.0上，当我点击PDF进行滚动时，会出现这个错误，然后应用程序崩溃：
-NSCFDictionary _absoluteLinkURL:由于未识别的异常“N
浏览 1提问于2009-08-12得票数 3
我有一个.pdf文件，其中包含每个页面中的数据字段。但是字段并没有被识别出来。我想从pdf中拉取/提取那些未识别的字段数据，并将它们插入到新的pdf中。这些数据不是英语。它是孟加拉语。
如何在Acrobat javascript api中管理它？？
浏览 0提问于2015-05-10得票数 0
2回答
我想要识别一个pdf文件中的表格。在C#中使用了什么SDK来识别pdf中的表，以及一些逐个单元格读取的机制，有人能推荐一下吗？
浏览 1提问于2011-08-06得票数 1
回答已采纳
OCR 是实时高效的定位与识别图片中的所有文字信息，返回文字框位置与文字内容。支持多场景、任意版面下整图文字的识别，以及中英文、字母、数字的识别。简单来说就是将图片上的文字内容，智能识别成为可编辑的文本，这么强大的功能在我们生活当中有哪些应用呢？
浏览 3632提问于2018-08-24
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
