Traitement du texte d'un PDF via l'OCR

Version imprimable

04/03/2013, 22h46
Selven

Traitement du texte d'un PDF via l'OCR

Bonjour,

J’ai pour objectif de réaliser une application (c#, java, etc.) qui, à terme, sera capable de réaliser ces deux fonctions principales :

- Extraire le texte d’un fichier PDF ou d’une image via la méthode de l’OCR.
- Créer et enregistrer un modèle dans la base de données via les zones de sélections faites par l’utilisateur.

Pour visualiser au mieux ce que je compte faire, je vous propose un « schéma » de cette application :

http://image.noelshack.com/fichiers/...68-exemple.png

Plus d’explications sur les zones :

Quand l’utilisateur se trouve face à la zone de texte généré par l’application (à droite dans l’exemple), il a alors le choix de sectionner n’importe quel « bout » de texte qui l’intéresse pour le modèle (ce que doit contenir le modèle en gros).

Dans l’exemple, il y aura dans le modèle une partie ‘titre’, ‘auteur’, etc.
Le but étant par la suite de générer automatiquement le modèle (car il y a plusieurs PDF).

Voici ma question :

Quel langage est le mieux adapté à a réalisation de ce type d’application ? (j’avais déjà pensé au C# mais la sélection de zone par l’utilisateur me pose problème car je ne vois pas comment faire).

Mon principal problème étant cette fameuse « sélection » (qui ouvre une fenêtre contenant la sélection et un champ vide à remplir par l’utilisateur, par exemple ‘titre’).

Merci par avance de votre aide ! =)
04/03/2013, 23h55
Graffito

Citation:

Extraire le texte d’un fichier PDF ou d’une image via la méthode de l’OCR.

En ce qui concerne les Pdf, passer par l'OCR ne se justifierait que pour des images incluses dans le PDF.

Un fichier Pdf est composé de glyphs (caractères) dont on connait les coordonnées en x,y. Il faut donc une bibliothèque Pdf comme PDFControls.net de Tall components qui permet :
- de connaitre tous les glyphs d'une page
- de visualiser une page.

La selection d'une zone permet d'identifier les glyphs contenues dans cette zone. Reste à reconstituer le texte en identifiant les caractères situées dans une même ligne et en insérant des blancs en fonction des espacements entre les caractères.

Pour matérialiser les zones sélectionnées, je conseillerai de "tracer" les rectangles verts en positionnant 4 panels en premier plan au dessus du contrôle de visualisation pdf.
05/03/2013, 21h22
infosam76

voir peut-être avec itextsharp qui est gratuit

Avec itext, j'ai trouvé ce code Java, que l'on devrait pouvoir convertir pour ItextSharp:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
  public void parsePdf(String pdf, String txt) throws IOException {
          PdfReader reader = new PdfReader(pdf);
          PrintWriter out = new PrintWriter(new FileOutputStream(txt));
          Rectangle rect = new Rectangle(70, 80, 490, 580);
          RenderFilter filter = new RegionTextRenderFilter(rect);
          TextExtractionStrategy strategy;
          for (int i = 1; i <= reader.getNumberOfPages(); i++) {
              strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
              out.println(PdfTextExtractor.getTextFromPage(reader, i, strategy));
          }
          out.flush();
          out.close();
          reader.close();
      }

Bonjour,

J'ai fait la conversion car le sujet m’intéressait en C# ça donne ceci (et cela marche ;-))

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
 
public void parsePdf(String pdf,string sFileNameOut)
{
    StreamWriter sw = new StreamWriter(sFileNameOut); 
 
    iTextSharp.text.pdf.PdfReader reader = new iTextSharp.text.pdf.PdfReader(pdf);
 
    iTextSharp.text.Rectangle rect = new iTextSharp.text.Rectangle(70, 80, 490, 580);
 
    iTextSharp.text.pdf.parser.RenderFilter[] filters = new iTextSharp.text.pdf.parser.RenderFilter[1];
    filters[0] = new iTextSharp.text.pdf.parser.RegionTextRenderFilter(rect);
 
    iTextSharp.text.pdf.parser.FilteredTextRenderListener strategy;
 
    for (int i = 1; i <= reader.NumberOfPages; i++)
    {
        strategy = new iTextSharp.text.pdf.parser.FilteredTextRenderListener(new iTextSharp.text.pdf.parser.LocationTextExtractionStrategy(), filters);
        sw.WriteLine ( iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(reader, i, strategy));
        sw.WriteLine("");
        sw.WriteLine("");
    }
 
    sw.Close();
}

29/03/2013, 19h10
411adc-fbr

Dèv sous php d'un zoning de pdf

Bonjour, bonsoir à tous,

Mon cas est similaire à celui de Selven.
Je recherche un moyen de procéder à la reconnaissance de zones prédéfinies sur un document pdf, le tout de préférence en PHP.

Il y aura à priori paramétrages des zones à tester avec leur coordonnées sur un document Type.

J'attends avec impatience une réponse de votre part ou au moins une piste à suivre afin de résolver mon problème.

Merci d'avance. :help:
29/03/2013, 23h22
infosam76

Personnellement je me suis arrêté avant le PHP 5 donc je ne saurais t'aider. Tu es dans le Forum .net mais peut-être que quelqu'un d'autre pourra t'aider.