Convertire pdf in pdf ricercabile

[Jordan82]

Buongiorno,
qualcuno sa dirmi una libreria che permette la trasformazione di un pdf (contenente delle pagine stampate scansionate) in un pdf ricercabile (un semplice ocr).

Inoltre dovrei cercare un testo ripetuto in un pdf e ogni volta che trovo questo testo dovrei tagliare il pdf, c'è qualche libreria che può aiutarmi?


Grazie

[andbin]

qualcuno sa dirmi una libreria che permette la trasformazione di un pdf (contenente delle pagine stampate scansionate) in un pdf ricercabile (un semplice ocr).

Su questo non ho idea purtroppo.

Inoltre dovrei cercare un testo ripetuto in un pdf e ogni volta che trovo questo testo dovrei tagliare il pdf, c'è qualche libreria che può aiutarmi?

Questa logica mi sembra abbastanza particolare e specifica (cercare un testo ripetuto e tagliare lì) e quindi non so dire se esista già una libreria o tool apposito per questo.
Io in queste ultime settimane sto cercando di usare per conto mio la libreria Apache PDFBox che è una libreria Java relativamente di più "basso" livello (rispetto ad altre) che permette di manipolare in modo dettagliato il contenuto dei PDF.
Solo che per usarla la curva di apprendimento è abbastanza alta, dipendente da quanto si sa del formato PDF dei suoi stream interni, degli operatori e operandi negli stream, ecc... (e io sto imparando man mano che vado avanti ).
Quindi non so se consigliarti questa libreria .... dipende da quanto tempo (e voglia) hai per apprenderla.

[Andrea1979]

All'epoca mi imbattei in tesseract, che è wrappato in java nel progetto Tess4J. Ho abbandonato l'esplorazione del prodotto causa lavoro e mancanza di tempo. Altrimenti, non potresti utilizzare un altro software per convertire il PDF prima di darlo in pasto al tuo applicativo Java? Adobe Acrobat (non acrobat reader) ha tra i suoi strumenti un motore OCR di tutto rispetto, e dovrebbe esserci anche qualcosa freeware qualche sito riporta (PDF-XChange)

[Jordan82]

Grazie a tutti per la celere risposta.
Ad un software esterno ci avevo già pensato il problema è che io dopo aver convertito devo aggiornare un database e per farlo devo avere la risposta della conversione (se è andata a buon fine o meno).

Sapete se il motore ocr di oracle può essere chiamato da riga di comando?

Per quanto riguarda il taglio, avevo visto pdfBox, il problema è che non so come poter effettuare la ricerca e poi eventualmente il taglio.