对 ocr 这块是纯新手小白，想要实现以下需求，需要用到哪些SDK 和大模型呢
最好是 Java 可用的
- 数据格式：PDF（结构化 + 扫描版）
- 需求概述：识别各级标题、正文、图表（可以是图片格式，通过图表的标题、脚注查询即可）
- 应用场景：用户通过检索关键词，定位到哪位文件包含关键信息，以及每个文件出现关键词的原文位置
蹲一个回复
帮顶 我也想要一个识别表格比较好的
坐等大佬回复，我也想看看
插个眼呀，后续关注一下
可以看看这个
感谢 我去看看
Java不知道，但我知道中文的识别百度飞浆ppocr是比较强的
帮顶, 大佬看完也给我们讲讲
mark一下
Tesseract
开源的，英语还可以，中文够呛
按他这文档搞 python 的环境都要了命了 那些什么 eva_decord、detectron2之类的搞死了
我这段时间做这个ocr，中文识别度最好的就是paddle飞浆的，可以将训练后的模型转成onnx在java端运行，但识别速度及效果会降低，最好就是将模型服务在gpu服务器部署，通过api调用。
但只是通用场景的，要达到好的识别效果，最好用自己的数据微调模型。
tesseract得自己训练才好用，它的那个训练数据好老了 
同问 如果pdf里面是图片 识别能出来么
百度开源的paddlepaddle/PaddleOCR能力不错，你可以看看，但不是Java的
github上找找有没有java封装的项目
https://paddlepaddle.github.io/PaddleOCR/
可以的
看需求实际上不一定需要ocr，试试pypdf和pymupdf,简单很多，效果我觉得也不错
我们算法团队都搞的不是很好，让我们这小白去弄 感觉更弄不出来
你们可以试试用paddleocr做api，然后在特定场景自己做一些数据标注，在原有的数据集上继续训练。 Java调用paddleocr好像精度没有python调用的好。