JavaでGroupDocs.Parser OCRを使用してPDFからテキストを抽出

最新の文書処理パイプラインでは、extract text from PDF java を迅速かつ確実に行うことが不可欠です。歴史的な紙のアーカイブをデジタル化したり、定義された領域から read image text java を読み取る必要がある請求書読み取りサービスを構築したりする場合でも、GroupDocs.Parser の OCR エンジンはクリーンでプログラム可能な方法を提供します。本ガイドでは、ライブラリのインストール、特定の矩形に対する OCR の設定、エラー処理の方法を順を追って説明し、アプリケーションの堅牢性を保つ方法を紹介します。

クイック回答

  • “extract text from PDF”とは何ですか？ スキャンされた PDF のビジュアルコンテンツを検索可能で編集可能なテキストに変換します。
  • どの Java ライブラリが OCR を提供しますか？ 組み込みの Aspose OCR コネクタを備えた GroupDocs.Parser です。
  • 本番環境でライセンスは必要ですか？ はい — テストには無料トライアルを使用し、導入時には有料ライセンスを取得してください。
  • OCR を特定の領域に限定できますか？ もちろんです。必要な領域だけを対象にするために Rectangle を OcrOptions に渡します。
  • 特別なエラーハンドリングが必要ですか？ はい — ページが破損した場合でもアプリを安定させるために、OCR 呼び出しを try‑catch ブロックでラップしてください。

extract text from PDF java とは何ですか？

Extract text from PDF java は、画像ベースの PDF ページに光学文字認識（OCR）を適用し、文字を機械可読テキストに変換するプロセスです。これにより、Java アプリケーションで全文検索、インデックス作成、下流のデータ抽出が可能になり、開発者はプログラムから文書コンテンツを分析・操作できます。

JavaでOCRにGroupDocs.Parserを使用する理由

GroupDocs.Parser は 50 以上の入力および出力フォーマット をサポートし、ファイル全体をメモリに読み込むことなく数百ページにわたる PDF を処理できます。OCR を矩形に限定すると最大 40 % の速度向上が得られます。また、Aspose OCR エンジンとのシームレスな統合により、特に一般的なラテン系言語に対して、すぐに高精度の認識が利用できます。

前提条件

  • Java Development Kit 8 以上。
  • GroupDocs.Parser ライブラリ – Maven でインストールするか、直接ダウンロードしてください。
  • Java の try‑with‑resources と例外処理に関する基本的な知識。

Java用 GroupDocs.Parser の設定

Maven インストール

Add the repository and dependency to your pom.xml:

<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>

直接ダウンロード

Alternatively, download the latest version from GroupDocs.Parser for Java リリース.

ライセンス取得

無料トライアルで開始するか、フル機能アクセス用に一時ライセンスをリクエストしてください。本番環境では永続ライセンスを購入します。

基本的な初期化と設定

ライブラリを追加したら、OCR 機能を利用できる状態になります。

実装ガイド

定義された矩形でスキャンされた PDF テキストを抽出する方法

特定の領域を対象にすることで速度と精度が向上します。特に、既知の領域から read image text java だけを取得する必要がある場合に有効です。

直接の回答: OCR 有効設定で Parser を使用して PDF をロードし、目的のテキストを囲む Rectangle を定義して extractText を呼び出します – この操作は 2〜3 行のコードで完了し、認識された文字列を返します。

手順 1: OCR 設定の構成

ParserSettings は、GroupDocs.Parser に使用する OCR エンジンを指示する中心的な設定オブジェクトです。

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

手順 2: パーサーの初期化

Parser はすべての文書読み取り操作のエントリーポイントです。

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

手順 3: OCR 用領域の定義

Rectangle はページ上の矩形領域を表し、X/Y の原点とピクセル単位の幅/高さで定義されます。

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

この矩形は左上隅 (0,0) から開始し、幅 400 px、高さ 200 px です。

手順 4: テキストオプションの設定

OcrOptions を使用すると、定義した矩形に対してのみ OCR を有効にし、ページの残りの部分はそのままにできます。

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

false は言語固有の制限を無効にし、true は OCR 領域を有効にします。

手順 5: テキスト抽出

extractText は、指定したページと領域の OCR 処理済み文字列を返します。

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

手順 6: OCR 処理におけるエラーハンドリング

全体の操作を try‑catch ブロックでラップし、サポートされていない画像形式やメモリ不足などの問題を捕捉します。

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

これにより、OCR エンジンが予期しない形式に遭遇した場合でも、アプリケーションの安定性が保たれます。

実用的な応用例

  1. 請求書処理 – スキャンされた請求書から主要フィールドを自動的に抽出します。
  2. 文書のデジタル化 – 旧紙アーカイブを検索可能な PDF に変換します。
  3. データ入力の自動化 – フォームから read image text java を読み取り、手動入力を排除します。

パフォーマンス上の考慮点

  • リソース使用量 – 特に大きな PDF ではメモリを監視してください。GroupDocs.Parser はページを遅延処理し、ヒープ使用量を抑えます。
  • Java のメモリ管理 – （上記のように）try‑with‑resources を使用してストリームを速やかにクローズします。
  • バッチ処理 – 可能な場合は複数文書に対して OCR を並列化します。ライブラリは読み取り専用操作に対してスレッドセーフです。

よくある問題と解決策

問題解決策
大容量ファイルでの Out‑of‑memory エラーページを小さなバッチで処理し、必要に応じて JVM ヒープ（-Xmx2g）を増やします。
OCR 精度が低いソース画像の DPI を 300 以上に上げるか、ParserSettings で言語ヒントを提供します。
サポートされていないファイル形式ファイルがサポート対象の PDF または画像形式か確認し、サポート外の形式はまず PNG に変換してください。

よくある質問

Q: Java 開発の文脈で OCR とは何ですか？
A: 光学文字認識（OCR）はテキスト画像を機械エンコードされた文字に変換し、GroupDocs.Parser は外部のネイティブ依存なしでこれを実現する Java フレンドリーな API を提供します。

Q: OCR 抽出用の矩形領域はどう定義しますか？
A: 必要な X、Y、幅、高さを持つ Rectangle オブジェクトを作成し、extractText 呼び出し時に OcrOptions に渡します。

Q: OCR 処理中の一般的なエラーは何で、どう対処すべきですか？
A: エラーにはサポートされていない形式や設定ミスが含まれます。常に OCR 呼び出しを try‑catch ブロックで囲み、例外の詳細をログに記録してください。

Q: ライセンスなしで GroupDocs.Parser を使用できますか？
A: 評価用に無料トライアルは利用可能ですが、本番環境での導入にはライセンス版が必要です。

Q: Java アプリケーションで OCR のパフォーマンスを最適化するには？
A: 必要な領域に OCR を限定し、ドキュメント間で ParserSettings を再利用し、複数ファイルを処理する際は OCR を並列バッチで実行します。

リソース

最終更新日: 2026-09-02
テスト環境: GroupDocs.Parser 25.5
作者: GroupDocs

関連チュートリアル