Com automatitzar l'extracció de dades de PDFs de múltiples pàgines amb Aspose.OCR

Els PDFs de múltiples pàgines dels escàners, els arxius o els fluxos de treball corporatius sovint tenen una gran quantitat de text i taules no buscables. L’extracció manual és lenta i no escalable. Aspose.OCR per .NET automatitza l’extrakció de textos, tauletes i estructures de llarg i complex PDF amb codi mínim.

El problema del món real

Els arxius legals, financers i acadèmics es tracten regularment amb PDFs escanats multipages que contenen centenars de pàgines.

Revisió de solucions

Aspose.OCR per .NET pot processar i extreure text / taules de cada pàgina en un PDF de múltiples pàgines. pot especificar rangs de pàgina, formats d’exportació i integració automàtica amb aplicacions de negoci o arxius digitals.

Prerequisits

• Visual Studio 2019 o posterior
• .NET 6.0 o posterior (o .Net Framework 4.6.2+)
• Aspose.OCR per a .NET des de NuGet
• Capacitat de programació C#

PM> Install-Package Aspose.OCR

Implementació de pas a pas

using Aspose.OCR;

OcrInput input = new OcrInput(InputType.PDF);
input.Add("archive.pdf"); // all pages
input.Add("report.pdf", 5, 10); // pages 5-14

RecognitionSettings settings = new RecognitionSettings();
settings.Language = Language.English;
settings.DetectAreasMode = DetectAreasMode.AUTO;

AsposeOcr ocr = new AsposeOcr();
List<RecognitionResult> results = ocr.Recognize(input, settings);

int page = 1;
foreach (RecognitionResult result in results)
{
    result.Save($"output_page_{page}.txt", SaveFormat.Text);
    result.Save($"output_page_{page}.xlsx", SaveFormat.Xlsx);
    result.Save($"output_page_{page}.json", SaveFormat.Json);
    page++;
}

try
{
    AsposeOcr ocr = new AsposeOcr();
    List<RecognitionResult> results = ocr.Recognize(input, settings);
}
catch (Exception ex)
{
    Console.WriteLine($"Error: {ex.Message}");
}

foreach (string file in Directory.GetFiles("./pdfs", "*.pdf"))
{
    input.Add(file);
}

using Aspose.OCR;
using System;
using System.Collections.Generic;
using System.IO;

class Program
{
    static void Main(string[] args)
    {
        try
        {
            OcrInput input = new OcrInput(InputType.PDF);
            input.Add("archive.pdf");
            input.Add("report.pdf", 5, 10);

            RecognitionSettings settings = new RecognitionSettings();
            settings.Language = Language.English;
            settings.DetectAreasMode = DetectAreasMode.AUTO;

            AsposeOcr ocr = new AsposeOcr();
            List<RecognitionResult> results = ocr.Recognize(input, settings);

            int page = 1;
            foreach (RecognitionResult result in results)
            {
                result.Save($"output_page_{page}.txt", SaveFormat.Text);
                result.Save($"output_page_{page}.xlsx", SaveFormat.Xlsx);
                result.Save($"output_page_{page}.json", SaveFormat.Json);
                page++;
            }
        }
        catch (Exception ex)
        {
            Console.WriteLine($"Error: {ex.Message}");
        }
    }
}

Utilitzar casos i aplicacions

Arxiu legal i de conformitat

L’extracció de continguts complets de contractes, peticions judicials o registres governamentals per a la recerca i el compliment.

Arxiu acadèmic i de recerca

Digitalitzar i dividir revistes, tesis o taules de dades per a l’anàlisi o e-learning.

Fluxos de treball financer i d’auditoria

Extracció automàtica de grans arxius de declaracions, informes i tauletes.

Els reptes i les solucions comunes

Challenge 1: Layouts de pàgines inconsistents

Solució: Utilitzeu la detecció AUTO o configureu diferents modes per interval de pàgina.

Títol 2: PDFs molt grans

Solució: Processament en batxes; arxius dividits per a millors rendiments de la memòria.

Challenge 3: Contingut mixt (Text, taules, imatges)

Solució: Validació i sortida postprocés; mode de detecció de tune.

Consideracions de rendiment

• Els grans PDF requereixen més memòria/CPU
• Batch treballs off-hours per al millor rendiment
• Validar les mostres de producció abans de la integració

Les millors pràctiques

• Utilitzar les convencions de nomenament per a un seguiment fàcil
• Compartir PDFs multipàgins si els arxius són molt grans
• Assegureu els documents de font i de sortida
• Validació i verificació de resultats en fluxos de treball crítics

Escenaris avançats

Escenari 1: Exportació a PDF buscable per pàgina

foreach (RecognitionResult result in results)
{
    result.Save($"output_page_{page}.pdf", SaveFormat.Pdf);
    page++;
}

Escenari 2: Integració amb la base de dades o el núvol

foreach (RecognitionResult result in results)
{
    string json = File.ReadAllText($"output_page_{page}.json");
    // Upload json or send to a cloud endpoint
}

Conclusió

Aspose.OCR per a .NET permet una extracció robusta i escalable de text i dades estructurades de PDFs de múltiples pàgines, cosa que salva hores d’esforç manual i millora l’automatització del flux de treball.

Veure més exemples de processament de PDF i batxets en el Aspose.OCR per a .NET API Referència .