Conversão PDF para TXT usando OCR.

Question

Boa noite, gente.

A pergunta é bem direta: É possível usar OCR para converter PDF em TXT, já que as api's mais comuns para fazer isso não sanam o problema da tabulação? Se sim, que ferramenta devo usar para fazer essa conversão? Muito Obrigado.

Answer 1

Olá

Precisei fazer isso e gostei desta API: http://sourceforge.net/projects/itextsharp/

public void Ler(string arquivoPdf, string arquivoOutput) {
    PdfReader reader = new PdfReader(arquivoPdf);
    StreamWriter writer = new StreamWriter(arquivoOutput, false, System.Text.Encoding.UTF8);
        for (int page = 1; page < reader.NumberOfPages; page++) {
            writer.Write(PdfTextExtractor.GetTextFromPage(reader, page));
        }
    writer.Flush();
    writer.Close();
    writer.Dispose();
    System.Diagnostics.Process.Start("notepad.exe", arquivoOutput);
}

Funcionou bem.

Abs

---

Att --- Se a minha resposta lhe foi util, marque "Propor como Proposta" para qualificar o conteudo do fórum. Obrigado, Valdek Santos Santana Junior

Answer 2

Valdek,

Como você fez para resolver quando o conteúdo do PDF é todo uma imagem, tipo aqueles scanners antigos onde só efetuavam o scanner para imagem e n como texto?

Estou com este problema, tenho alguns PDF's que preciso extrair o texto dele para um txt mais como ele vem como imagem não estou conseguindo, uso o iTextSharp para extrair texto do PDF mais o mesmo não efetua esta extração quando o PDF é todo como imagem.

Alguém conhece alguma classe open source que possa me ajudar com isso, pode ser um OCR...Obrigado!

Answer 3

Dá uma olhadinha nessas Threads abaixo ira te ajudar bastante:

http://www.luiztools.com/post/Leitura-de-imagens-usando-OCR-e-C.aspx
http://forum.imasters.com.br/topic/488774-ocr-com-c/
http://pt.stackoverflow.com/questions/30643/como-trabalhar-com-ocr-para-reconhecer-fotografias