Skannattu PDF tekstiin
Kuinka muuntaa skannattuja PDF-tiedostoja hakuviksi asiakirjoiksi

Kuinka muuntaa skannattuja PDF-tiedostoja hakuviksi asiakirjoiksi

Monet arvokkaat asiakirjat ovat piilossa skannatuissa PDF-tiedostoissa, mikä tekee niistä etsimättömiä ja tuottavuus työkaluille saatavilla. Aspose.OCR Scanned PDF to Text for .NET mahdollistaa näiden staattisten tiedostojen kääntämisen täysin hakukelpoisiksi, muokattavissa oleviksi dokumenteiksi vähimmäiskoodiin.

Reaalimaailman ongelma

Skannattuja PDF-sopimuksia, kirjoja tai arkistoja ei voida etsiä, indeksoida tai kopioida, ellei tekstiä tuodaan. Manuaalinen retyping on hidasta, kallista ja riski aiheuttaa virheitä - erityisesti suurille tai monivuotisille tiedostoille.

Ratkaisun yleiskatsaus

Aspose.OCR for .NET voi pakata skannattuja PDF-tiedostoja, poistaa ja viedä tekstiä eri muodoissa – tekevät asiakirjoja hakukelpoisia, indeksoitavia ja valmiita digitaalisen työnkulun tai noudattamisen kannalta.

edellytykset

  • Visual Studio 2019 tai uudempi
  • .NET 6.0 tai uudempi (tai .Net Framework 4.6.2+)
  • ASPOSE.OCR for .NET alkaen NuGet
  • C# -ohjelmoinnin kokemukset
PM> Install-Package Aspose.OCR

Vaiheittainen toteutus

Vaihe 1: Asenna ja asenna Aspose.OCR 

using Aspose.OCR;

Vaihe 2: Lisää skannattuja PDF-tiedostoja 

OcrInput input = new OcrInput(InputType.PDF);
input.Add("archive1.pdf");
input.Add("books.pdf");

Vaihe 3: Määritä PDF-tiedostojen tunnistusasetukset 

RecognitionSettings settings = new RecognitionSettings();
settings.Language = Language.English;
settings.DetectAreasMode = DetectAreasMode.AUTO; // Best for mixed document layouts

Vaihe 4: Käynnistä OCR skannattuihin PDF-tiedostoihin 

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

Vaihe 5: Vienti etsimään muotoja 

foreach (RecognitionResult result in results)
{
    result.Save("archive_searchable.pdf", SaveFormat.Pdf);   // Searchable PDF
    result.Save("archive_text.txt", SaveFormat.Text);         // Plain text
    result.Save("archive_word.docx", SaveFormat.Docx);       // Word document
}

Vaihe 6: Lisää virheen käsittely ja validointi 

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

Vaihe 7: Optimoi monivuotisia ja suuria PDF-tiedostoja

  • PDF-tiedostot, joissa on useita sivuja, lisää tiedosto ja asettaa sivun sarjat tarvittaessa
  • Tune-asetukset asiakirjan asetukselle ja kielelle
  • Batch käsittelee kaikki tiedostot direktiivissä
foreach (string file in Directory.GetFiles("./pdfs", "*.pdf"))
{
    input.Add(file);
}

Vaihe 8: Täydellinen esimerkki 

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

class Program
{
    static void Main(string[] args)
    {
        try
        {
            OcrInput input = new OcrInput(InputType.PDF);
            input.Add("archive1.pdf");
            input.Add("books.pdf");

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

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

            foreach (RecognitionResult result in results)
            {
                result.Save("archive_searchable.pdf", SaveFormat.Pdf);
                result.Save("archive_text.txt", SaveFormat.Text);
                result.Save("archive_word.docx", SaveFormat.Docx);
            }
        }
        catch (Exception ex)
        {
            Console.WriteLine($"Error: {ex.Message}");
        }
    }
}

Käytä tapauksia ja sovelluksia

Digitaalisen arkiston etsiminen

Vaihda staattiset, skannatut arkistot hakukäyttöisiin, indeksoituihin resursseihin kirjastoille, lainsäädäntöyhtiöille tai yrityksille.

Sääntelyn ja vaatimustenmukaisuuden digitalisaatio

Poista teksti skannatuista vaatimustenmukaisuusasiakirjoista validointia ja tarkastusta varten.

Akateeminen ja kirjallinen julkaisu

Digitaalisesti kirjoja ja tutkimuspapereita digitaaliseen pääsyyn, sähköiseen oppimiseen tai jakeluun.

Yhteiset haasteet ja ratkaisut

Haaste 1: Huonolaatuiset tai heikentyneet skannat

** Ratkaisu:** Ennaltaehkäisy selkeyden varmistamiseksi; käytä AUTO-tilaa luotettavan asetuksen käsittelyyn.

Haaste 2: Monikieliset PDF-tiedostot

** Ratkaisu:** Muokkaa kielen asetuksia ja testaa näytetiedostoja.

Haaste 3: Erittäin suuret tai batch-tiedostot

** Ratkaisu:** Prosessi hallittavissa paketeissa ja muistin käytön seuranta.

suorituskyvyn huomioon ottaminen

  • Batch-prosessia maksimaalisen tehokkuuden varmistamiseksi
  • Käytä laadukkaita skannattuja PDF-tiedostoja
  • OCR-objektien käyttö käytön jälkeen

Parhaat käytännöt

  • Validoi lähdön lähde PDF-tiedostoja ennen integrointia
  • Järjestä PDF-tiedostoja aiheeseen tai osastoon helpomman hallinnan varmistamiseksi
  • Suojaa kaikki skannatut ja käsitellyt tiedostot
  • Käytä Aspose.OCR:n uusinta versiota parhaan tarkkuuden saavuttamiseksi

Edistyneet skenaariot

Skenaario 1: JSON:n vienti tietoliikenteelle 

foreach (RecognitionResult result in results)
{
    result.Save("archive_data.json", SaveFormat.Json);
}

Käsikirjoitus 2: Selektiivinen sivu OCR 

input.Add("compliance.pdf", 0, 5); // Recognize first 5 pages only

johtopäätöksiä

Aspose.OCR Scanned PDF to Text for .NET avulla voit nopeasti muuttaa skannattuja PDF-tiedostoja hakukäyttöisiin, muokattaviin asiakirjoihin nykyaikaisten työnkulkujen kannalta.

Löydä lisää edistyksellisiä koodeja ja vinkkejä ASPOSE.OCR .NET API-referenssille .

 Suomi