Gescanntes PDF in Text
Wie man gescannte PDFs in durchsuchbare Textdokumente in .NET konvertiert

Wie man gescannte PDFs in durchsuchbare Textdokumente in .NET konvertiert

Scanned PDFs sind oft schwierig zu bearbeiten, da sie im Grunde genommen nur Bilder von Text sind. Diese Bilder in durchsuchbare, bearbeitbare Textdokumente umzuwandeln, eröffnet eine Welt von Möglichkeiten für das Dokumentenmanagement und die Zugänglichkeit von Inhalten. Mit Aspose.OCR für .NET können Sie gescannte PDFs in vollständig durchsuchbare Dokumente umwandeln und dabei die ursprünglichen Bilder beibehalten.

Warum gescannte PDFs in durchsuchbare Textdokumente umwandeln?

  1. Zugänglichkeit:
    • Machen Sie gescannte Inhalte durchsuchbar, sodass Informationen leicht gefunden werden können, ohne das Dokument manuell durchlesen zu müssen.
  2. Inhaltsbearbeitung:
    • Nach der Umwandlung in Text kann der Inhalt bearbeitet, aktualisiert oder in anderen Formaten wiederverwendet werden.
  3. Effizienz:
    • Sparen Sie Zeit, indem Sie den Prozess der Umwandlung gescannter PDFs in vollständig zugängliche Textdokumente automatisieren.

Voraussetzungen: Einrichtung zur Textextraktion aus gescannten PDFs

Bevor Sie Text aus gescannten PDFs extrahieren, befolgen Sie diese Schritte, um sicherzustellen, dass alles eingerichtet ist:

  1. Installieren Sie Aspose.OCR für .NET:
    • Fügen Sie Aspose.OCR zu Ihrem Projekt mit NuGet hinzu:
      dotnet add package Aspose.OCR
  2. Erhalten Sie Ihre Lizenz:
    • Richten Sie Ihre gemessene Lizenz mit SetMeteredKey() ein, um die volle Funktionalität von Aspose.OCR freizuschalten.
  3. Bereiten Sie Ihr gescanntes PDF vor:
    • Stellen Sie sicher, dass die gescannten PDFs von guter Qualität sind, um die Erkennungsgenauigkeit zu verbessern.

Schritt-für-Schritt-Anleitung: Umwandlung gescannter PDFs in durchsuchbaren Text

Schritt 1: Richten Sie Ihre Lizenz ein

Beginnen Sie mit der Konfiguration Ihrer Aspose.OCR-Lizenz, um alle Funktionen freizuschalten.

using Aspose.OCR;

Metered license = new Metered();
license.SetMeteredKey("<your public key>", "<your private key>");
Console.WriteLine("Lizenz erfolgreich konfiguriert.");

Schritt 2: Laden Sie das gescannte PDF in das OCR-Eingabeobjekt

Laden Sie als Nächstes das gescannte PDF in das OcrInput-Objekt, um den OCR-Prozess zu starten.

OcrInput input = new OcrInput(Aspose.OCR.InputType.PDF);
input.Add("scanned_document.pdf", 0, 3);  // Verarbeite die ersten 3 Seiten
Console.WriteLine("Gescanntes PDF erfolgreich geladen.");

Schritt 3: Konfigurieren Sie die OCR-Engine für die Erkennung

Richten Sie die OCR-Engine ein und konfigurieren Sie alle Erkennungseinstellungen, wie Sprache und Genauigkeit.

Aspose.OCR.AsposeOcr recognitionEngine = new Aspose.OCR.AsposeOcr();
RecognitionSettings settings = new RecognitionSettings();
settings.Language = Aspose.OCR.Language.Latin;  // OCR-Sprache festlegen
Console.WriteLine("OCR-Engine konfiguriert.");

Schritt 4: Extrahieren und Ausgeben des erkannten Textes

Extrahieren Sie nun den Text aus dem gescannten PDF mithilfe der OCR-Engine.

List<Aspose.OCR.RecognitionResult> results = recognitionEngine.Recognize(input, settings);
Console.WriteLine("Text erfolgreich aus dem gescannten PDF extrahiert.");

// Geben Sie den erkannten Text aus
foreach (Aspose.OCR.RecognitionResult result in results)
{
    Console.WriteLine(result.RecognitionText);
}

// Speichern Sie das Ergebnis in einer Textdatei
results[0].Save("recognized_text.txt", Aspose.OCR.SaveFormat.Text);
Console.WriteLine("Text in recognized_text.txt gespeichert.");

Schritt 5: Testen Sie das durchsuchbare PDF

Stellen Sie sicher, dass der extrahierte Text durchsuchbar und bearbeitbar ist, indem Sie die Ausgabe in einem PDF-Viewer oder -Editor testen.

Häufige Probleme und Lösungen

1. Geringe OCR-Genauigkeit

  • Lösung: Stellen Sie sicher, dass das gescannte PDF von hoher Qualität ist (mindestens 300 DPI), um die Erkennungsergebnisse zu verbessern.

2. Nicht unterstützte Schriftarten

  • Lösung: Stellen Sie sicher, dass die richtige Sprache in den OCR-Einstellungen für eine genaue Texterkennung festgelegt ist, insbesondere für nicht-lateinische Zeichen.

3. Langsame Leistung bei großen PDFs

  • Lösung: Verarbeiten Sie große PDFs in kleineren Abschnitten oder Seiten, um den Speicherverbrauch zu reduzieren und den Prozess zu beschleunigen.
 Deutsch