使用 GroupDocs.Parser 在 Java 中进行 Aspose OCR 文本提取

介绍

在当今数字时代，高效 处理扫描文档 是开发者常见的挑战。无论是处理扫描图像、PDF 还是其他文件类型，准确的文本提取对于下游数据处理、搜索索引和自动化至关重要。本指南将带您完成在 Java 中设置 GroupDocs.Parser 并集成 Aspose OCR，以高精度 处理扫描文档。完成后，您只需几步即可在 Java 应用程序中添加基于 OCR 的提取功能。

您将学习

如何在 Java 中使用 OCR 连接器配置 GroupDocs.Parser。
使用 OCR 选项从文档中提取文本的技术。
性能、资源管理和故障排除的最佳实践。

在开始实现之前，让我们先了解前置条件。

快速答案

本教程涵盖什么内容？ 在 Java 中将 Aspose OCR 与 GroupDocs.Parser 集成，以处理扫描文档。
我需要许可证吗？ 临时 GroupDocs.Parser 许可证可用于测试；生产环境需要正式许可证。
需要哪个 Java 版本？ JDK 8 或更高版本。
我可以从 PDF 和图像中提取文本吗？ 是的，OCR 支持 PDF 和图像格式。
设置需要多长时间？ 大约 10‑15 分钟即可完成可运行的原型。

前置条件

在开始之前，请确保您具备以下条件：

必需的库和依赖

GroupDocs.Parser：版本 25.5 或更高。
Aspose OCR：将在解析器设置中引用。

环境搭建要求

系统已安装 Java Development Kit（JDK）。
IDE，例如 IntelliJ IDEA 或 Eclipse。

知识前置条件

基本的 Java 编程技能。
熟悉 Maven 或手动库管理。

为 Java 设置 GroupDocs.Parser

首先，将 GroupDocs 仓库和解析器依赖添加到您的 pom.xml 中：

<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>

如果您更喜欢手动下载，可从 GroupDocs.Parser for Java releases 获取最新的 JAR 包。

许可证获取

您可以从 GroupDocs 获取临时许可证或购买正式许可证。这使您能够在没有试用限制的情况下探索所有功能。

如何在 Java 中使用 OCR 处理扫描文档

使用 OCR 设置解析器

概述

本节展示如何配置 Parser 类以使用 OCR 连接器，从而能够 处理扫描文档（如图像或扫描的 PDF）。

使用 OCR 配置初始化解析器设置

首先，创建引用 Aspose OCR 引擎的解析器设置：

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());

创建 Parser 类的实例

接下来，使用刚才定义的设置实例化 Parser：

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

使用 OCR 提取文本

概述

现在，我们将通过指定 OCR 相关选项从扫描文件中提取文本。

使用设置初始化解析器

确保解析器已按上述方式打开：

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

为 OCR 指定文本提取选项

配置提取以在保留布局的同时启用 OCR：

import com.groupdocs.parser.options.TextOptions;

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

使用 OCR 选项提取文本

最后，读取提取的文本并根据需要进行处理：

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
    }
}

故障排除提示

确认 Aspose OCR 本地库已位于您的 java.library.path 中。
确认文档格式受支持；不受支持的格式会抛出 UnsupportedDocumentFormatException。

实际应用

将 Aspose OCR 与 GroupDocs.Parser 集成可开启多种场景：

自动化文档处理 – 快速导入大量扫描的发票或合同。
数据数字化项目 – 将传统纸质档案转换为可搜索的数字文本。
CRM 集成 – 将扫描表单中的客户信息直接导入 CRM 系统。

性能考虑

在大规模 处理扫描文档 时，保持应用程序响应性的方法：

使用 try‑with‑resources 及时释放资源（如示例所示）。
根据文档特性调优 OCR 设置（分辨率、语言），以减少不必要的处理时间。
监控 JVM 堆使用情况，对极大批次可考虑增大堆内存。

常见问题及解决方案

症状	可能原因	解决办法
`parser.getText` 调用时出现 `NullPointerException`	OCR 引擎未初始化	确保正确引用 `AsposeOcrOnPremise` JAR 包。
PDF 未返回文本	PDF 仅包含图像	启用 OCR（`new TextOptions(false, true)`）。
大 PDF 处理缓慢	默认 OCR 分辨率过高	在 OCR 设置中降低分辨率或并行处理页面。

结论

您已学习如何通过在 Java 中将 Aspose OCR 与 GroupDocs.Parser 结合来 处理扫描文档。这套强大的组合可为多种文件类型提供快速、准确的文本提取。

后续步骤

尝试不同的 OCR 语言和图像预处理选项。
探索 GroupDocs.Parser 的其他功能，如表格提取或元数据检索。

准备将这些知识付诸实践吗？请查阅官方 GroupDocs Documentation 获取更多细节。

常见问答

问：如何确保 Aspose OCR 与我当前的 Java 版本兼容？
答：Aspose OCR 与 GroupDocs.Parser 都支持 JDK 8 及以上版本。请查看产品发行说明以获取特定版本的注意事项。

问：GroupDocs.Parser 能否使用 OCR 提取非英文文档的文本？
答：可以。安装 Aspose OCR 所需的语言包并相应配置 OCR 引擎。

问：如果某些文件的文本提取失败，我该怎么办？
答：确认文件格式受支持，确保 OCR 路径正确，并检查异常详情以获取线索。

问：在处理大量扫描文档时，如何提升性能？
答：使用 try‑with‑resources 释放内存，调整 OCR 分辨率，并考虑对独立文件进行并行处理。

问：将 Aspose OCR 与 GroupDocs.Parser 一起使用是否需要费用？
答：GroupDocs.Parser 提供免费试用；生产环境可能需要正式许可证。Aspose OCR 也需要商业使用许可证。详情请参阅 GroupDocs Licensing Page。

资源

文档： GroupDocs Parser 文档
API 参考： GroupDocs API 参考
下载： GroupDocs 下载
GitHub： GroupDocs GitHub 仓库
免费支持： GroupDocs 论坛
临时许可证：获取临时许可证

最后更新： 2026-03-06
测试环境： GroupDocs.Parser 25.5，Aspose OCR On‑Premise（最新）
作者： GroupDocs