Discussion :

[Rippalka]

Bonjour,

C'est une question qui revient assez frequement : Est-il possible de lire un pdf à la manière d'un BMP ?

Mon idée est de recevoir un pdf (en vectoriel ou non) et de pouvoir en extraire une partie (un tableau) pour ensuite la faire évaluer par un OCR. J'ai déjà essayé "MagickNet" qui a l'avantage d'être gratuit, mais j'ai constaté une perte de qualité assez importante lors de la conversion en image, ce qui n'est pas génial pour la passer dans l'OCR. J'ai aussi cru en "pdfimages.exe" l'application de "Xpdf" qui extrait les images du pdf. Cela n'a fait qu'un temps, car ce n'est pas du tout précis.

J'ai aussi vu "Solid Framework SDK" qui m'avait l'air pas mal, mais le problème c'est que la license est payante.


Est-ce que quelqu'un aurait déjà utilisé avec succès une librairie gratuite qui résouderait mon problème ?

Merci

[Rippalka]

J'ai trouvé un élement de ma réponse avec Ghostscript. Je fais des tests pour voir ce que ca peut donner. Apparemment on peut controler la qualité de la sortie

[hotsizzle]

Ton OCR ne sait pas lire un PDF ?
Il y en a pourtant qui le font "ABBYY FineReader" le fait.

Bonne chance pour la suite !

[Rippalka]

Tout d'abord, merci de ta réponse.

Ensuite, mon but est de pouvoir appliquer l'OCR sur un tableau que je dois extraire au préalable qui est situé dans un coin du PDF. Pour cela, j'ai besoin d'utiliser des fonctions afin d'extraire ce tableau et de le "nettoyer" pour qu'il ne reste plus que le texte pertinent, et donc obtenir un résultat correct. C'est pourquoi il faut que je puisse traiter le PDF en tant qu'image pour manipuler les pixels.

Sinon oui, j'utilise gOCR qui lit les PDF. Mais le résultat est inexploitable.

J'ai implémenté GhostScript pour essayer, mais pour l'instant j'ai des résultats de mauvaise qualitée, une lecture de la doc s'impose

[Graffito]

Le tableau est-il en texte (pas une image incluse dans le pdf)?
Si c'est le cas, pourquoi ne pas simplement récupérer les Glyph (caractères) et leur positions afin de reconstituer le contenu du tableau ?

[Rippalka]

Si c'est une image. Mais j'ai déjà comtpé sur ca en essayant d'extraire les images, mais c'es vraiment pas fiable. Sinon j'ai bien trouvé mon bonheur avec GhostScript.

Petit tutorial