חילוץ טקסט מ PDF

dovid

אני משתמש בitextsharp

הנה קוד בVB

Private Function ReadPdfFile(fileName As String) As String
    Dim text As New StringBuilder()

    If File.Exists(fileName) Then
        Dim pdfReader As New PdfReader(fileName)

        'For page As Integer = 1 To pdfReader.NumberOfPages
        Dim strategy As parser.ITextExtractionStrategy = New parser.SimpleTextExtractionStrategy()
        Dim currentText As String = parser.PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy)

        currentText = New String(currentText.Reverse().ToArray)
        text.Append(currentText)
        'Next
        pdfReader.Close()
    End If
    Return text.ToString()
End Function

פורסם במקור בפורום CODE613 ב26/07/2013 15:00 (+03:00)

רחמים

תודה רבה זה ממש מצויין! פעם אחרונה שראיתי קוד שמשתמש בסיפריה הזו לחילוץ טקסט מ PDF היה הכל בג'יבריש...
אבל זה ממש מצויין

רק הבעיה שהוא מביא את השורות מסוף העמוד לתחילתו ברוורס...
לכן היתי צריך לכתוב קצת אחרת את הפונקציות הבאות:

Private Function ReadPdfFile2(fileName As String) As String
        Dim text As New StringBuilder()

        If File.Exists(fileName) Then
            Dim pdfReader As New pdf.PdfReader(fileName)
            For page As Integer = 1 To pdfReader.NumberOfPages
                text.AppendLine(parser.PdfTextExtractor.GetHebTextFromPage(
                        pdfReader, page) & vbCrLf)
            Next
            pdfReader.Close()
        End If
        Return text.ToString()

    End Function

כמו שאתם רואים יש פה פונקציה חדשה שנקראת GetHebTextFromPage שלא קיימת בספריית ITEXT זו עוד פונקציה שהיתי צריך להוסיף

public static String GetHebTextFromPage(PdfReader reader, int pageNumber)
        {
            PdfReaderContentParser parser = new PdfReaderContentParser(reader);
            return parser.ProcessContent(pageNumber, new LocationTextExtractionStrategy()).GetResultantHebText();
        }

ועוד פונקציה אחרונה חדשה

public string Reverse(string input)
        {
            char[] chars = input.ToCharArray();
            Array.Reverse(chars);
            return new String(chars);
        }

        public virtual String GetResultantHebText()
        {

            if (DUMP_STATE) DumpState();

            locationalResult.Sort();

            StringBuilder sb = new StringBuilder();
            StringBuilder sb2 = new StringBuilder();
            TextChunk lastChunk = null;
            foreach (TextChunk chunk in locationalResult)
            {
                if (lastChunk == null)
                {
                    sb2.Append(chunk.text[0] > 127 ? chunk.text : Reverse(chunk.text));
                }
                else
                {
                    if (chunk.SameLine(lastChunk))
                    {
                        sb2.Append(chunk.text[0] > 127 ? chunk.text : Reverse(chunk.text));
                    }
                    else
                    {
                        sb2.Append(chunk.text[0] > 127 ? chunk.text : Reverse(chunk.text));
                        sb.AppendLine(Reverse(sb2.ToString()));
                        sb2 = new StringBuilder();
                    }
                }
                lastChunk = chunk;
            }
            return sb.ToString();
        }

פורסם במקור בפורום CODE613 ב26/07/2013 16:28 (+03:00)

ארכיטקט

סליחה שאני כותב עוד לפני שקראתי הכל ובדקתי לעומק, אבל כדי לא לבזבז זמן אשאל את המנוסים כבר, אפשר לחלץ בעיקרון טקסט לפי מיקום מדוייק של קווי X-Y כלומר יש לי ריבוע שקבוע נמצא שם תעודת זהות, האם אני יכול פשוט לגשת לריבוע לפי מיקום פיזי במסמך.
תודה.

פורסם במקור בפורום CODE613 ב22/07/2014 20:54 (+03:00)

magicode

https://github.com/modesty/pdf2json

נראה שזה יכול לתת טקסט עם מיקום.

פורסם במקור בפורום CODE613 ב22/07/2014 22:02 (+03:00)

dovid

אתה לא אמור להוציא לפי מיקום.
אם זה תמיד במיקום מסויים, אז זה בהכרח גם במבנה זהה, ואתה יכול להוציא לפי מבנה. לדוגמה הפסקה החמישית.

אם זה לא כטקסט אלא כפיקסלים אתה צריך להוציא אכן לפי מיקום.

פורסם במקור בפורום CODE613 ב23/07/2014 10:55 (+03:00)

ארכיטקט

@דוד ל.ט.

אתה לא אמור להוציא לפי מיקום.
אם זה תמיד במיקום מסויים, אז זה בהכרח גם במבנה זהה, ואתה יכול להוציא לפי מבנה. לדוגמה הפסקה החמישית.

אם זה לא כטקסט אלא כפיקסלים אתה צריך להוציא אכן לפי מיקום.

אני מבין וחשבתי ע"ז יש שם מידע שהמחלקה של אייטקסט לא מזהה אותו וכנראה צריך OCR למזלי זה מידע של ספרות כך שאין צורך ב OCR עברי. חבל שאני לא יכול להעלות את הקובץ, מדובר במידע שמגיע ממשרדי ממשלה ונוגע לפרטיות של אנשים.... (לערוך את הקובץ PDF כדי לטשטש את המידע האישי צריך תוכנה, ואין לי את התוכנה לעריכת PDF זה צריך להגיע אלי בדואר רשום ממקסיקו עוד מאתיים שנה :lol: :lol: :lol: :lol: )

פורסם במקור בפורום CODE613 ב23/07/2014 17:41 (+03:00)

ארכיטקט

תכלס' המחלקה הכי מוצלחת בגלקסיה שלנו היא זאת לבינתיים ממנה אפשר לדעת בדיוק הכל בכל מכל כל.

פורסם במקור בפורום CODE613 ב23/07/2014 18:32 (+03:00)

ארכיטקט

ראה כאן העלינו קוד שעובד מעולה ומחזיר DataTable.

פורסם במקור בפורום CODE613 ב25/11/2014 12:08 (+02:00)

meir n

מעניין לעניין,

ישנם הרבה PDF שנסגרו בתג ומתקבלים כגיבריש,

האם יש איזה פתרון לאחד המומחים לזה, איך הופכים את הטקסט לעברית?

פורסם במקור בפורום CODE613 ב22/10/2015 01:32 (+03:00)

רחמים

כדאי שתפתח על זה אשכול בפני עצמו

פורסם במקור בפורום CODE613 ב22/10/2015 08:14 (+03:00)

תחומים - פורום חרדי מקצועי

חילוץ טקסט מ PDF

מומלצים: חיפוש במסמכים | OCR | נקדן חינמי | ניהול כולל - מס"ב

מומלצים: חיפוש במסמכים | OCR | נקדן חינמי | ניהול כולל - מס"ב