Java - Gestionar el contenido de archivos en Java (OCR)

Hola a todos,

Tengo que hacer un desarrollo en java que lea el contenido de unos documentos y los valide (estos documentos tienen siempre el mismo formato). Podrían estar en cualquier formato (escaneados, pdf, word, etc) por lo que creo que para acceder a los datos tendría que usar OCR no? ¿Alguien puede darme algo de luz al asunto?

Muchas gracias