Was kann PdfBoxPreparator tun?

[dpicella]

Ich habe PDF-Dateien, die ich indizieren möchten. Sie enthalten gescannte Bilder.

Kann PdfBoxPreparator Index der Titel, Schlagwort, Autor und andere Metadaten-Abschnitte in diesen PDF-Dateien?

Danke!

[thtesche]

Derzeit wird nur Text (aus dem PDF) extrahiert, keine Metadaten und auch keine Child-Infos.

[schisshaas]

Ganau das bräuchte ich auch damit ich nicht immer ne zusätzliche getippte Seite an die Gescannten PDFs hängen muss und auch für Bilder wärs geil

[oggi]

Die PDF-Scans (bitmaps) können beim Scannen aus neueren Acrobat-Versionen heraus sofort einen nachgeschalteten OCR-Prozeß durchlaufen. Die dabei erkannten Texte (mit allen Erkennungsfehlern) bettet Acrobat als indizierbaren unsichtbaren Text ins PDF ein.

Auch die OCR-Software Abby Finereader kann man sehr erfolgreich auf PDF-dateien loslassen, um die erkannten Texte PdfBox-gerecht einzubetten.
Abby erzeugt/rastert offensichtlich auch aus beliebigen Postscript- bzw. PDF-Vektorzeichnungen zunächst eine (Hintergrund-)Bitmap und legt obendrüber einen Textlayer mit unsichtbar attributiertem Text (soweit erkannt). Diesen Text kann man dann sogar (z.B. im Acrobat-Reader) mit dem Textauswahlwerkzeug fassen und ins Clipboard kopieren und PdfBox oder andere Textextrahierer "sehen" ihn nun auch.
Auf diese (etwas umständliche, aber automatiserbare) Weise konnte ich z.B. den reinen Vektortext (Polylines) in AutoCAD-Zeichnungen indizierbar machen.

[schisshaas]

Guter ansatz als workaround ich probier das auch mal
Dann fehlt ja blos noch was für Bilder