Ekstrak teks dari PDF di Java dengan OCR GroupDocs.Parser

Dalam pipeline pemrosesan dokumen modern, extract text from PDF java dengan cepat dan andal sangat penting. Apakah Anda perlu mendigitalkan arsip kertas bersejarah atau membangun layanan pembacaan faktur yang harus read image text java dari zona yang ditentukan, mesin OCR GroupDocs.Parser memberi Anda cara yang bersih dan dapat diprogram untuk melakukannya. Panduan ini akan memandu Anda melalui pemasangan pustaka, mengonfigurasi OCR untuk persegi panjang tertentu, dan menangani kesalahan agar aplikasi Anda tetap kuat.

Jawaban Cepat

  • Apa arti “extract text from PDF”? Itu mengubah konten visual dari PDF yang dipindai menjadi teks yang dapat dicari dan diedit.
  • Pustaka Java mana yang menyediakan OCR? GroupDocs.Parser dengan konektor Aspose OCR bawaan.
  • Apakah lisensi diperlukan untuk produksi? Ya—gunakan percobaan gratis untuk pengujian, kemudian dapatkan lisensi berbayar untuk penerapan.
  • Bisakah OCR dibatasi ke wilayah tertentu? Tentu saja; berikan Rectangle ke OcrOptions untuk menargetkan hanya area yang Anda butuhkan.
  • Apakah saya memerlukan penanganan kesalahan khusus? Ya—bungkus panggilan OCR dalam blok try‑catch untuk menjaga aplikasi tetap stabil jika ada halaman yang rusak.

Apa itu extract text from PDF java?

Extract text from PDF java adalah proses menerapkan Optical Character Recognition (OCR) pada halaman PDF berbasis gambar sehingga karakter menjadi teks yang dapat dibaca mesin. Ini memungkinkan pencarian teks penuh, pengindeksan, dan ekstraksi data lanjutan dalam aplikasi Java, memungkinkan pengembang menganalisis dan memanipulasi konten dokumen secara programatik.

Mengapa menggunakan GroupDocs.Parser untuk OCR di Java?

GroupDocs.Parser mendukung 50+ format input dan output dan dapat memproses PDF beratus‑ratus halaman tanpa memuat seluruh file ke memori, memberikan peningkatan kecepatan hingga 40 % ketika Anda membatasi OCR ke persegi panjang. Integrasi mulusnya dengan mesin OCR Aspose berarti Anda mendapatkan pengenalan akurasi tinggi langsung dari kotak, terutama untuk bahasa berbasis Latin yang umum.

Prasyarat

  • Java Development Kit 8 atau yang lebih baru.
  • Pustaka GroupDocs.Parser – instal melalui Maven atau unduh langsung.
  • Familiaritas dasar dengan try‑with‑resources Java dan penanganan pengecualian.

Menyiapkan GroupDocs.Parser untuk Java

Instalasi Maven

Tambahkan repositori dan dependensi ke pom.xml Anda:

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/parser/java/</url>
   </repository>
</repositories>

<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-parser</artifactId>
      <version>25.5</version>
   </dependency>
</dependencies>

Unduhan langsung

Sebagai alternatif, unduh versi terbaru dari GroupDocs.Parser for Java releases.

Akuisisi lisensi

Mulai dengan percobaan gratis atau minta lisensi sementara untuk akses penuh fitur. Untuk produksi, beli lisensi permanen.

Inisialisasi dan pengaturan dasar

Setelah menambahkan pustaka, Anda siap memanfaatkan kemampuan OCR-nya.

Panduan Implementasi

Cara mengekstrak teks PDF yang dipindai dengan persegi panjang yang ditentukan

Menargetkan area spesifik meningkatkan kecepatan dan akurasi, terutama ketika Anda hanya perlu read image text java dari wilayah yang diketahui.

Jawaban langsung: Muat PDF dengan Parser menggunakan pengaturan yang mendukung OCR, definisikan Rectangle yang melingkupi teks yang diinginkan, dan panggil extractText – seluruh operasi selesai dalam dua hingga tiga baris kode dan mengembalikan string yang dikenali.

Langkah 1: mengonfigurasi pengaturan OCR

ParserSettings adalah objek konfigurasi pusat yang memberi tahu GroupDocs.Parser mesin OCR mana yang akan digunakan.

ParserSettings settings = new ParserSettings(new AsposeOcrOnPremise());

Langkah 2: menginisialisasi parser

Parser adalah titik masuk untuk semua operasi pembacaan dokumen.

try (Parser parser = new Parser("YOUR_DOCUMENT_DIRECTORY", settings)) {
    // Proceed to define OCR area and extract text.
}

Langkah 3: mendefinisikan area untuk OCR

Rectangle mewakili wilayah persegi panjang pada halaman, didefinisikan oleh asal X/Y serta lebar/tinggi dalam piksel.

OcrOptions ocrOptions = new OcrOptions(new Rectangle(0, 0, 400, 200));

Persegi panjang ini dimulai dari sudut kiri‑atas (0,0) dan memiliki lebar 400 px serta tinggi 200 px.

Langkah 4: menyiapkan opsi teks

OcrOptions memungkinkan Anda mengaktifkan OCR hanya untuk persegi panjang yang telah Anda definisikan, meninggalkan bagian halaman lainnya tidak tersentuh.

TextOptions options = new TextOptions(false, true, ocrOptions);

false menonaktifkan pembatasan bahasa‑spesifik, sementara true mengaktifkan area OCR.

Langkah 5: mengekstrak teks

extractText mengembalikan string hasil proses OCR untuk halaman dan wilayah yang ditentukan.

try (TextReader reader = parser.getText(options)) {
    String resultText = reader == null ? "Text extraction isn't supported" : reader.readToEnd();
    // Use extracted text as needed.
}

Langkah 6: penanganan kesalahan dalam pemrosesan OCR

Bungkus seluruh operasi dalam blok try‑catch untuk menangkap masalah apa pun, seperti format gambar yang tidak didukung atau tekanan memori.

try {
    // Include main OCR processing logic here (refer to previous section).
} catch (Exception ex) {
    System.out.println("An error occurs: " + ex.getMessage());
}

Ini memastikan aplikasi Anda tetap stabil bahkan jika mesin OCR menemui format yang tidak terduga.

Aplikasi Praktis

  1. Pemrosesan faktur – Mengambil bidang kunci dari faktur yang dipindai secara otomatis.
  2. Digitalisasi dokumen – Mengonversi arsip kertas lama menjadi PDF yang dapat dicari.
  3. Otomatisasi entri data – Menghilangkan pengetikan manual dengan membaca image text java dari formulir.

Pertimbangan Kinerja

  • Penggunaan sumber daya – Pantau memori, terutama dengan PDF besar; GroupDocs.Parser memproses halaman secara malas untuk menjaga heap tetap rendah.
  • Manajemen memori Java – Gunakan try‑with‑resources (seperti yang ditunjukkan) untuk menutup aliran dengan cepat.
  • Pemrosesan batch – Paralelkan OCR pada banyak dokumen bila memungkinkan; pustaka ini thread‑safe untuk operasi hanya‑baca.

Masalah Umum dan Solusi

MasalahSolusi
Kesalahan out‑of‑memory pada file besarProses halaman dalam batch lebih kecil; tingkatkan heap JVM (-Xmx2g) jika diperlukan.
Akurasi OCR rendahTingkatkan DPI gambar sumber menjadi 300 + atau berikan petunjuk bahasa dalam ParserSettings.
Format file tidak didukungPastikan file adalah PDF atau tipe gambar yang didukung; konversi format yang tidak didukung ke PNG terlebih dahulu.

Pertanyaan yang Sering Diajukan

T: Apa itu OCR dalam konteks pengembangan Java?
J: Optical Character Recognition (OCR) mengubah gambar teks menjadi karakter yang terkode mesin, dan GroupDocs.Parser menyediakan API yang ramah Java untuk melakukannya tanpa ketergantungan native eksternal.

T: Bagaimana cara mendefinisikan area persegi panjang untuk ekstraksi OCR?
J: Buat objek Rectangle dengan X, Y, lebar, dan tinggi yang diinginkan, lalu berikan ke OcrOptions saat memanggil extractText.

T: Apa saja kesalahan umum selama pemrosesan OCR, dan bagaimana menanganinya?
J: Kesalahan meliputi format yang tidak didukung atau pengaturan yang salah; selalu balut panggilan OCR dengan blok try‑catch dan log detail pengecualian.

T: Bisakah saya menggunakan GroupDocs.Parser tanpa lisensi?
J: Versi percobaan gratis tersedia untuk evaluasi, tetapi versi berlisensi diperlukan untuk penerapan produksi.

T: Bagaimana cara mengoptimalkan kinerja OCR dalam aplikasi Java?
J: Batasi OCR ke wilayah yang diperlukan, gunakan kembali ParserSettings antar dokumen, dan jalankan OCR dalam batch paralel saat memproses banyak file.

Sumber Daya

Terakhir Diperbarui: 2026-09-02
Diuji Dengan: GroupDocs.Parser 25.5
Penulis: GroupDocs

Tutorial Terkait