Pdf with Ocr

[Miscio]

Quello che dovrebbe gestire l'applicazione

Apertura di un file pdf
Lettura del contenuto
presa di alcuni dati specifici ad ex. il num di protocollo che verra scritto in delle celle precise del foglio

Componenti

Sto ricercando un componente (se possibile opensource) o gratuito, non posso avere spese . . .
che mi permette di leggere il contenuto di un file pdf prelevare il testo e salvarlo in un file di testo (scusate la ripetizione), ho visto alcuni esempi ma non ho ancora trovato cio che cerco

tutte le info sono gradite

Grazie Claudio

[Miscio]

Nessuno sa aiutarmi?

[Miscio]

ma davvero nessuno?

[Baol74]

prova ad usare indexServer, è gratuito e installato su iis.
Deve esserci un modo per farsi restituire il testo.

In ogni caso se sul tuo host c'è php, è molto semplice estrarre il testo, dovrebbero esserci script in giro...questo è l'"algortimo":

Basta cercare tutte le "matrici" che iniziano per <</Type /Page
Si estrae la parte da stream a endstream immediatamente sucessiva e la si decomprime con gzuncompress. Si prendono tutti i valori tra parentesi (*).Quello è il testo.

Un esempio di testo pdf decompresso:

<</Type /Page
/Parent 1 0 R
/Resources 2 0 R
/Contents 4 0 R>>
endobj
4 0 obj
<</Length 13494>>
stream
2 J
0.57 w
BT /F1 12.00 Tf ET
q 85.04 0 0 24.67 28.35 788.87 cm /I1 Do Q
BT /F1 6.00 Tf ET
q 0.620 0.620 0.620 rg BT 510.90 808.74 Td (Documento generato) Tj ET Q
q 0.620 0.620 0.620 rg BT 499.23 802.74 Td (da Gestione Impianti Gas) Tj ET Q
q 0.620 0.620 0.620 rg BT 503.22 796.74 Td ( il 23.02.2005 alle 09:50) Tj ET Q
q 0.620 0.620 0.620 rg BT 543.25 790.74 Td (Pagina 1) Tj ET Q
BT /F1 12.00 Tf ET
endstream

Come vedi, tra parentesi all'interno di stream-endstream c'è il testo valido. Normalmente la parte di stream è compressa con un algoritmo gz.