Discussion :

[aghilass]

Bonjour tt le monde,
SVP je veux faire de la recherche dans un fichier PDF scanné(le fichier est comme une image contenant de texte), le fichier est stocké dans une base de donnée sql server dans un champs varbinary().
est ce que c'est possible?? si oui comment??

[calagan99]

Bonjour,

je pense ne pas me tromper en disant que s'il s'agit de PDF image tu ne pourras rien en faire.

[StringBuilder]

Possible, presque.

Si Microsoft respectait ce qu'ils disent dans leurs articles MSDN et que les éditeurs l'implémentaient, ça irait tout seul.

Dans la pratique, ce n'est pas le cas (grmpf).

Vous pouvez vous baser sur mon travail ici, en matière d'utilisation d'un OCR conjointement avec le service d'indexation de Microsoft.

Dans la théorie, quand un document est reconnu par un filtre, il est analysé par ce dernier. Lorsqu'il trouve un document embedded, il est censé appeler le filtre qui permet de l'analyser de façon automatique, mais ce n'est pas le cas (et l'API ne le permet pas !)

Si vous pouvez scanner au format JPG (ou BMP ou autre) alors le fruit de mon travail suffira à lui-même.

Sinon, il faudra savoir analyser le format PDF pour en extraire l'image, avant d'utiliser mon truc.

http://www.developpez.net/forums/d11...naissance-ocr/

PS : A noter que le filtre d'ADOBE est censé savoir faire un scan OCR sur les images TIFF, y compris si elles sont incluses dans un PDF. C'est tout du moins ce que j'ai lu sur le site d'ADOBE.

On trouve la dernière version du filtre ADOBE ici http://www.adobe.com/support/downloa...jsp?ftpID=4025
Il s'installe aussi automatiquement lorsqu'on installe Adobe Reader sur le serveur.

[calagan99]

@StringBuilder : tout à fait d'accord.
Dans la mesure où il n'était pas question d'OCR dans la demande d'origine, là, ça me semblait compliqué...

[StringBuilder]

Ceci dit, la solution que je propose consiste à doter le moteur d'indexation d'une méthode OCR directement : ainsi, c'est bel et bien une image qui est stockée et indexée dans la base de données. Le texte lu par l'OCR n'est pas stocké, mais uniquement envoyé au moteur d'indexation à la place de l'image au moment de l'indexation.

Après, il y a la solution plus bourrine (mais plus simple) qui consiste à passer le document à l'OCR et de stocker la version "texte" dans la base, mais ça duplique inutilement les données.