露天简单光学字符识别。从PDF文件中提取文本并使用它启动工作流

Question

我正在使用pdf三明治和tesseract OCR的alphaco-simic-ocr。我想从插入到文件夹的文档中获取文本，然后在新的工作流中使用文本和pdf文件。

我已经设法进行光学字符识别提取，以及如何使用插入到目录的文件启动工作流，但是我无法从文件中获取文本并在工作流中使用它。
有可能这样做吗？
从哪里开始实现该功能？

你好，拉法

Answer 1

你不需要任何扩展。Alfresco已经集成了PDfBox，可以为您做到这一点。之后，它取决于你的PDF文件，是包含图像的PDF文件（扫描过的文档），还是已经包含文本的PDF文件。如果您想对一些图像进行OCR，还可以使用以下模块：https://github.com/bchevallereau/alfresco-tesseract

当你知道你想要转换什么时，你可以看看这个页面，在那里你有一个关于如何调用变压器的javascript示例：http://docs.alfresco.com/5.2/references/dev-extension-points-content-transformer.html如果你需要，你也可以在Java中这样做。