چگونگی اتوماسیون استخراج داده ها از فایل های PDF چند صفحه ای با Aspose.OCR

PDF های چند صفحه ای از اسکنرها، آرشیوها و یا جریان های کار شرکت ها اغلب مقدار زیادی از متن و جدول های غیر قابل جستجو را نگه می دارند. استخراج دستی آهسته و غیر مقیاس پذیر است. Aspose.OCR برای .NET اتوماسیون استخوان متن، جدول ها و ساختار از طولانی، پیچیده PDF ها با کد حداقل.

مشکل دنیای واقعی

آرشیو های حقوقی، مالی و علمی به طور منظم با فایل های اسکن چند صفحه ای که حاوی صدها صفحه است، برخورد می کنند.

بررسی راه حل

Aspose.OCR برای .NET می تواند فرآیند بسته بندی و استخراج متن / جدول از هر صفحه در یک PDF چند صفحه ای. شما می توانید صف های صفحه، فرمت های صادرات و اتوماتیک ادغام با برنامه های کسب و کار و یا اسناد دیجیتال را مشخص کنید.

پیش شرط

• Visual Studio 2019 یا بالاتر
• .NET 6.0 یا بالاتر (یا .Net Framework 4.6.2+)
• Aspose.OCR برای .NET از NuGet
• مهارت های برنامه نویسی C#

PM> Install-Package Aspose.OCR

پیاده سازی گام به گام

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}");
        }
    }
}

استفاده از موارد و برنامه ها

آرشیو قانونی و انطباق

استخراج محتوای کامل از قراردادهای، پرونده های دادگاه، و یا سوابق دولتی برای جستجو و انطباق.

آرشیو های علمی و تحقیقاتی

دیجیتالی سازی و تقسیم مجلات، پایان نامه ها یا جدول های داده برای تجزیه و تحلیل یا یادگیری الکترونیکی.

جریان های مالی و حسابرسی

استخراج اتوماتیک از آرشیو های بیانیه های بزرگ، گزارش ها و پاراگراف.

چالش ها و راه حل های مشترک

چالش اول: طرح های صفحه ای نامناسب

** راه حل:** از تشخیص اتومبیل استفاده کنید یا حالت های مختلفی را در هر محدوده صفحه تنظیم کنید.

چالش دوم: PDF های بسیار بزرگ

** راه حل: ** پردازش در بسته ها؛ فایل های تقسیم شده برای عملکرد حافظه بهتر.

چالش 3: محتوای مخلوط (نص، جدول، تصاویر)

** راه حل: ** خروجی های معتبر و پس از فرآیند؛ حالت تشخیص تن.

بررسی عملکرد

• PDF های بزرگ نیاز به حافظه و CPU بیشتری دارند.
• بوتاکس کارهای خارج از ساعت برای بهترین عملکرد
• تایید نمونه های خروجی قبل از ادغام

بهترین شیوه‌ها

• استفاده از کنوانسیون های نامگذاری برای ردیابی آسان
• تقسیم فایل های چند صفحه ای اگر فایل ها بسیار بزرگ هستند
• مدارک منبع و خروجی را حفظ کنید
• تأیید و بررسی نتایج در جریان های کار انتقادی

سناریوهای پیشرفته

سناریو 1: صادرات به PDF جستجوگر در هر صفحه

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

سناریو 2: ادغام با پایگاه داده یا ابر

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

نتیجه گیری

Aspose.OCR برای .NET امکان استخراج متن قوی و قابل مقیاس و داده های ساختاری از PDF های چند صفحه ای را فراهم می کند – صرفه جویی در ساعت کار دستی و بهبود اتوماسیون جریان کار.

مشاهده بیشتر PDF و نمونه های پردازش بسته در Aspose.OCR برای .NET API مرجع .