چگونه برای بهبود جستجو در آرشیو های دیجیتال با Aspose.OCR

میلیون ها اسناد و تصاویر اسکن شده در آرشیو های دیجیتال ذخیره می شوند – اما جستجو برای محتوای آنها غیرممکن است مگر اینکه متن استخراج و فهرست شود. ASPOSE.OCR برای .NET به شما اجازه می دهد تا با ایجاد هر سند قابل جستجوی متن، از قراردادهای به روزنامه های تاریخی، ارزش بایگانی را باز کنید.

مشکل دنیای واقعی

آرشیوها با قراردادهای اسکن شده، کتاب ها، مقالات و یا تصاویر بسته بندی شده است. کاربران نمی توانند در داخل این فایل ها جستجو کنند مگر اینکه متن استخراج شود، تحقیق آهسته، بررسی قانونی، یا eDiscovery.

بررسی راه حل

Aspose.OCR برای .NET بتچ، متن را از تصاویر اسکن شده یا PDF ها استخراج می کند و به شما اجازه می دهد تا این داده ها را به راه حل جستجوی مورد علاقه خود ذخیره کنید – امکان جستجو متن کامل، برچسب گذاری و بازگرداندن اطلاعات در سراسر آرشیو های بزرگ.

پیش شرط

اطمینان حاصل کنید که:

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

PM> Install-Package Aspose.OCR

پیاده سازی گام به گام

using Aspose.OCR;

string archivePath = "./archive";
string[] files = Directory.GetFiles(archivePath, "*.pdf");

RecognitionSettings settings = new RecognitionSettings();
settings.Language = Language.English;
settings.DetectAreasMode = DetectAreasMode.AUTO; // Good for mixed archive content

OcrInput input = new OcrInput(InputType.PDF);
foreach (string file in files)
{
    input.Add(file);
}
AsposeOcr ocr = new AsposeOcr();
List<RecognitionResult> results = ocr.Recognize(input, settings);

foreach (RecognitionResult result in results)
{
    string textFile = Path.ChangeExtension(result.FilePath, ".txt");
    result.Save(textFile, SaveFormat.Text);
}

try
{
    // All recognition and indexing code here
}
catch (Exception ex)
{
    Console.WriteLine($"Error: {ex.Message}");
}

استفاده از موارد و برنامه ها

کتابخانه های دیجیتال و موزه ها

امکان جستجوی متن کامل برای کتاب های دیجیتالی، دست نوشته ها و مجموعه ها

آرشیو شرکت ها و حقوقی

قراردادهای، یادداشت ها و گزارش ها را بلافاصله پیدا کنید – بدون در نظر گرفتن فرمت اصلی آنها.

آکادمی و روزنامه آرشیو

محققان می توانند به سرعت اسناد تاریخی، مقالات یا داده های سانسور را جستجو کنند.

چالش ها و راه حل های مشترک

چالش اول: انواع مختلفی از اسناد

** راه حل:** از حالت AUTO و تشخیص تست در طرح های مختلف اسناد استفاده کنید.

چالش 2: دقت OCR برای اسناد قدیمی یا آسیب دیده

** راه حل: ** پیش پردازش برای کنتراست / تخلیه، و یا استفاده از تنظیمات زبان و فیلتر.

چالش سوم: مقیاس و عملکرد

** راه حل: ** فرآیند جمع آوری در موازی و نظارت بر استفاده از منابع.

بررسی عملکرد

• آرشیو های فرآیند در بسته های قابل مدیریت
• ذخیره متن استخراج شده در فرمت های شاخص موثر
• نظارت بر حافظه و فایل I/O برای اجراهای بزرگ

بهترین شیوه‌ها

• آرشیوها را با توجه به نوع سند یا سال سازماندهی کنید تا فهرست آسان تر شود.
• به طور منظم به عنوان آرشیو شما در حال رشد است.
• استفاده از متا داده ها (تاریخ، نویسنده، نوع) برای افزایش اهمیت جستجو
• پشتیبان گیری فایل های اصلی و متن استخراج شده

سناریوهای پیشرفته

فصل اول: جستجو برای آرشیو های چند زبانه

settings.Language = Language.Spanish;

سناریو 2: صادرات به PDF قابل جستجو

foreach (RecognitionResult result in results)
{
    result.Save(Path.ChangeExtension(result.FilePath, ".pdf"), SaveFormat.Pdf);
}

نتیجه گیری

با استفاده از Aspose.OCR برای .NET، شما می توانید فایل های دیجیتال استاتیک را به منابع غنی و کاملا قابل جستجو تبدیل کنید – امکان انطباق، تحقیق و کشف اطلاعات سریع.

پیدا کردن بیشتر راهنمایی های ادغام و نمونه های API در Aspose.OCR برای .NET API مرجع .