Извлечение текста с помощью Aspose OCR и GroupDocs.Parser на Java

Введение

В современную цифровую эпоху эффективная обработка отсканированных документов является распространённой задачей для разработчиков. Независимо от того, работаете ли вы со сканированными изображениями, PDF или другими типами файлов, точное извлечение текста необходимо для последующей обработки данных, индексации поиска и автоматизации. В этом руководстве мы пошагово покажем, как настроить GroupDocs.Parser для Java и интегрировать Aspose OCR для обработки отсканированных документов с высокой точностью. К концу вы сможете добавить извлечение на основе OCR в свои Java‑приложения всего за несколько шагов.

Что вы узнаете

Как настроить GroupDocs.Parser с OCR‑коннектором в Java.
Методы извлечения текста из документов с использованием параметров OCR.
Лучшие практики по производительности, управлению ресурсами и устранению неполадок.

Давайте рассмотрим предварительные требования перед началом реализации.

Быстрые ответы

Что покрывает этот учебник? Интеграция Aspose OCR с GroupDocs.Parser для обработки отсканированных документов в Java.
Нужна ли лицензия? Временная лицензия GroupDocs.Parser подходит для тестирования; для продакшн‑использования требуется полная лицензия.
Какая версия Java требуется? JDK 8 или новее.
Могу ли я извлекать текст из PDF и изображений? Да — оба формата PDF и изображения поддерживаются через OCR.
Сколько времени занимает настройка? Около 10‑15 минут для работающего прототипа.

Предварительные требования

Прежде чем начать, убедитесь, что у вас есть следующее:

Требуемые библиотеки и зависимости

GroupDocs.Parser: версия 25.5 или новее.
Aspose OCR: будет использоваться через настройки парсера.

Требования к настройке окружения

Установленный Java Development Kit (JDK) на вашей системе.
IDE, например IntelliJ IDEA или Eclipse.

Требования к знаниям

Базовые навыки программирования на Java.
Знание Maven или ручного управления библиотеками.

Настройка GroupDocs.Parser для Java

Для начала добавьте репозиторий GroupDocs и зависимость parser в ваш 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>

Если вы предпочитаете ручную загрузку, скачайте последнюю JAR‑файл с GroupDocs.Parser for Java releases.

Приобретение лицензии

Вы можете получить временную лицензию или приобрести полную лицензию у GroupDocs. Это позволит вам исследовать все функции без ограничений пробного периода.

Как обрабатывать отсканированные документы с OCR в Java

Настройка Parser с OCR

Обзор

В этом разделе показано, как настроить класс Parser для работы с OCR‑коннектором, позволяя вам обрабатывать отсканированные документы, такие как изображения или отсканированные PDF.

Инициализация настроек Parser с конфигурацией OCR

Сначала создайте настройки парсера, которые ссылаются на движок Aspose OCR:

import com.groupdocs.parser.Parser;
import com.groupdocs.parser.options.ParserSettings;
import com.aspose.ocr.AsposeOcrOnPremise;

// Initialize parser settings with OCR configuration
ParserSettings settings = new ParserSettings(new AsposeOcrOnPremise());

Создание экземпляра класса Parser

Затем создайте экземпляр Parser, используя только что определённые настройки:

try (Parser parser = new Parser("YOUR_DOCUMENT_DIRECTORY", settings)) {
    // The parser is now ready to perform operations with OCR capabilities.
}

Извлечение текста с помощью OCR

Обзор

Теперь мы извлечём текст из отсканированных файлов, указав параметры, учитывающие OCR.

Инициализация Parser с настройками

Убедитесь, что парсер открыт, как показано выше:

try (Parser parser = new Parser("YOUR_DOCUMENT_DIRECTORY", settings)) {

Указание параметров извлечения текста для OCR

Настройте извлечение, включив OCR и сохранив макет:

import com.groupdocs.parser.options.TextOptions;

// Specify text extraction options for OCR
TextOptions options = new TextOptions(false, true);

Извлечение текста с использованием параметров OCR

Наконец, прочитайте извлечённый текст и обработайте его по необходимости:

import com.groupdocs.parser.data.TextReader;
import com.groupdocs.parser.exceptions.UnsupportedDocumentFormatException;

try (TextReader reader = parser.getText(options)) {
    if (reader != null) {
        String extractedText = reader.readToEnd();
        // Process the extracted text as needed
    } else {
        // Handle the case where text extraction isn't supported
    }
}

Советы по устранению неполадок

Убедитесь, что нативные библиотеки Aspose OCR находятся в вашем java.library.path.
Убедитесь, что формат документа поддерживается; неподдерживаемые форматы вызовут UnsupportedDocumentFormatException.

Практические применения

Интеграция Aspose OCR с GroupDocs.Parser открывает множество сценариев:

Автоматизированная обработка документов — Быстро импортировать большие партии отсканированных счетов или контрактов.
Проекты оцифровки данных — Преобразовать устаревшие бумажные архивы в поисковый цифровой текст.
Интеграция с CRM — Получать информацию о клиентах из отсканированных форм напрямую в вашу CRM‑систему.

Соображения по производительности

Чтобы приложение оставалось отзывчивым при обработке отсканированных документов в масштабе:

Своевременно освобождайте ресурсы с помощью try‑with‑resources (как показано).
Настраивайте параметры OCR (разрешение, язык) в соответствии с характеристиками ваших документов, уменьшая ненужное время обработки.
Отслеживайте использование кучи JVM и рассматривайте увеличение её размера для очень больших партий.

Распространённые проблемы и решения

Симптом	Возможная причина	Решение
`NullPointerException` при вызове `parser.getText`	OCR‑движок не инициализирован	Убедитесь, что JAR‑файлы `AsposeOcrOnPremise` правильно подключены.
Текст не возвращается для PDF	PDF содержит только изображения	Включите OCR (`new TextOptions(false, true)`).
Медленная обработка больших PDF	Разрешение OCR по умолчанию слишком высоко	Уменьшите разрешение в настройках OCR или обрабатывайте страницы параллельно.

Заключение

Вы узнали, как обрабатывать отсканированные документы, комбинируя Aspose OCR с GroupDocs.Parser в Java. Эта мощная комбинация обеспечивает быстрое и точное извлечение текста для широкого спектра типов файлов.

Следующие шаги

Экспериментируйте с различными языками OCR и параметрами предобработки изображений.
Исследуйте дополнительные возможности GroupDocs.Parser, такие как извлечение таблиц или получение метаданных.

Готовы применить эти знания на практике? Ознакомьтесь с дополнительными деталями в официальной GroupDocs Documentation.

Часто задаваемые вопросы

В: Как обеспечить совместимость Aspose OCR с моей текущей версией Java?
О: И Aspose OCR, и GroupDocs.Parser поддерживают JDK 8 и новее. Ознакомьтесь с примечаниями к выпуску продукта для информации о специфических версиях.

В: Может ли GroupDocs.Parser извлекать текст из неанглийских документов с помощью OCR?
О: Да. Установите необходимые языковые пакеты для Aspose OCR и соответствующим образом настройте OCR‑движок.

В: Что делать, если извлечение текста не удаётся для некоторых файлов?
О: Убедитесь, что формат файла поддерживается, проверьте правильность путей OCR и изучите детали исключения для подсказок.

В: Как улучшить производительность при обработке большого объёма отсканированных документов?
О: Используйте try‑with‑resources для освобождения памяти, настройте разрешение OCR и рассмотрите параллельную обработку независимых файлов.

В: Есть ли стоимость использования Aspose OCR вместе с GroupDocs.Parser?
О: GroupDocs.Parser предоставляет бесплатную пробную версию; для продакшн‑использования может потребоваться полная лицензия. Aspose OCR также требует лицензии для коммерческого использования. Подробнее см. на GroupDocs Licensing Page.

Ресурсы

Документация: GroupDocs Parser Documentation
Справочник API: GroupDocs API Reference
Скачать: GroupDocs Downloads
GitHub: GroupDocs GitHub Repository
Бесплатная поддержка: GroupDocs Forum
Временная лицензия: Acquire a Temporary License

Последнее обновление: 2026-03-06
Тестировано с: GroupDocs.Parser 25.5, Aspose OCR On‑Premise (latest)
Автор: GroupDocs