Java 如何从包含文本和图像的pdf中提取内容？

我有一个pdf文件，它有两种类型的页面，普通文本页面和来自扫描文档的页面。可以使用PDFBox或Tika轻松提取文本内容。然而，这些库不能做OCR，我需要类似的东西。但是如何将Tess4J和PDFBox（或Tika）结合在一起，以便从文本和扫描页面中提取所有内容

编辑：------ 我找到了如下的解决方案，但效果不好

for(PDPage page:pages){
        
        PDPropertyList pageFonts = page.getResources().getProperties();
        Map<String,PDXObjectImage> img = page.getResources().getImages();
        
        Set<String> keys = img.keySet();
        Iterator iter = keys.iterator();
        
        while(iter.hasNext()){
            
            String k = (String) iter.next();
            System.out.println(k);              
            PDXObjectImage ci = img.get(k);
            
            ci.write2file(k);
            
            File imageFile = new File(k+".jpg");
            Tesseract instance = Tesseract.getInstance();
            
            
            try{
                String result = instance.doOCR(imageFile);          
                System.out.println(result);
            }
            catch(TesseractException e){
                System.err.println(e.getMessage());
            }               
        }
    }

for（PDPage:pages）{
PDPropertyList pageFonts=page.getResources（）.getProperties（）；
Map img=page.getResources（）.getImages（）；
设置键=img.keySet（）；
迭代器iter=keys.Iterator（）；
while（iter.hasNext（））{
字符串k=（字符串）iter.next（）；
系统输出println（k）；
PdxObjectImageCI=img.get（k）；
ci.write2文件（k）；
File imageFile=新文件（k+“.jpg”）；
Tesseract instance=Tesseract.getInstance（）；
试一试{
字符串结果=instance.doOCR（imageFile）；
系统输出打印项次（结果）；
}
捕获（Tesseracte异常）{
System.err.println（e.getMessage（））；
}               
}
}

问题是，虽然保存的图像具有良好的质量，但Tess4J在这些图像上运行得并不好，而且大部分都是提取无意义的内容。然而，如果首先简单地将pdf传递给Tess4J，则Tess4J能够很好地对其进行OCR

---

总之，通过PdfBox提取图像会影响OCR过程的质量，有人知道原因吗？

我对此不太了解，但为了解决您的问题，您不能将Tess4J同时用于文本页面和扫描文档吗？也许可以看看这个？假设PDF中的每个图像都是JPG图像。这不是真的。我想这是PDFBox的假设。有什么解决办法吗？