Skannattu PDF tekstiin
Kuinka parantaa hakua digitaalisissa arkistoissa Aspose.OCR: n avulla

Kuinka parantaa hakua digitaalisissa arkistoissa Aspose.OCR: n avulla

Miljoonat skannatut asiakirjat ja kuvat tallennetaan digitaalisissa arkistoissa – mutta niiden sisällön etsiminen on mahdotonta, ellei tekstiä tuodaan ja indeksoidaan. Aspose.OCR for .NET mahdollistaa arkiston arvon avaamisen tekemällä jokaisen dokumentin tekstin hakukyvyn, sopimuksista historiallisille sanomalehdille.

Reaalimaailman ongelma

Tiedostoja on pakattu skannattuja sopimuksia, kirjoja, artikkeleita tai kuvia. Käyttäjät eivät voi etsiä näiden tiedostojen sisällä, ellei teksti on poistettu, hidastaa tutkimusta, oikeudellinen tarkastelu, tai eDiscovery. Manuaalinen käsittely on mahdotonta suurille kokoelmille.

Ratkaisun yleiskatsaus

Aspose.OCR for .NET-paketti poistaa tekstiä skannatuista kuvista tai PDF-tiedostoista ja antaa sinulle mahdollisuuden tuoda nämä tiedot suosikki hakukäsittelyyn – joka mahdollistaa täyden tekstin hakemisen, tunnistamisen ja tiedon keräämisen suurissa arkistoissa.

edellytykset

Varmista, että sinulla on:

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

Vaiheittainen toteutus

Vaihe 1: Asenna ja asenna Aspose.OCR 

using Aspose.OCR;

Vaihe 2: Järjestä arkiston tiedostoja

Kerää kaikki skannatut kuvat tai PDF-tiedostot loogisessa laatikon rakenteessa helppokäyttöiseen käsittelyyn.

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

Vaihe 3: Määritä tunnistusasetukset

Tune kielelle, asiakirjojen asetukselle ja optimointi batch-kierroksille.

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

Vaihe 4: Poista teksti Batchissa 

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);

Vaihe 5: Tallenna tuotettu teksti indeksointiin 

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

Vaihe 6: Rakenna tai päivitä hakutuloksesi

Integroida Lucene.NET, ElasticSearch tai suosikki indeksointi / hakuväline. Käytä tuotettua tekstiä ja metatietoja nopean arkiston hakemiseen.

Vaihe 7: Integrate Search with Your Viewer

Liitä hakutuloksesi arkistosi web-liittymään, asiakirja-näytöön tai tutkimustyökaluun täyden tekstin tuloksiin.

Vaihe 8: Lisää virheiden käsittely 

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

Vaihe 9: Testaa ja validoi

Käynnistä näytteen kyselyjä ja vahvista arkistosi on nyt täysin etsimätön.

Käytä tapauksia ja sovelluksia

Digitaaliset kirjastot ja museot

Mahdollistaa digitoitujen kirjojen, käsikirjojen ja kokoelmien täydellisen tekstin etsimisen.

Yritys- ja oikeudelliset arkistot

Löydä sopimuksia, muistiinpanoja ja raportteja välittömästi – riippumatta niiden alkuperäisestä muodosta.

Akateeminen ja lehden arkisto

Tutkijat voivat nopeasti etsiä historiallisia asiakirjoja, artikkeleita tai sensuuritietoja.

Yhteiset haasteet ja ratkaisut

Haaste 1: Erilaiset asiakirjat

** Ratkaisu:** Käytä AUTO-tilaa ja testaus tunnistusta eri asiakirjojen järjestelyissä.

Haaste 2: OCR: n tarkkuus vanhoille tai vaurioituneille asiakirjoille

** Ratkaisu:** Ennaltaehkäisevä kontrastin/deskevin käyttö tai kielen ja suodattimien asetukset.

Haaste 3: Skala ja suorituskyky

** Ratkaisu:** Batch-prosessi rinnakkain ja resurssien käytön seuranta.

suorituskyvyn huomioon ottaminen

  • Käsittelytiedostoja hallinnoitavissa kappaleissa
  • Tallenna tuotettu teksti tehokkaissa indeksiformaateissa
  • Muisti ja tiedosto I/O suurille kierroksille

Parhaat käytännöt

  • Järjestä arkistoja asiakirjan tyypin tai vuoden mukaan helpommin indeksoimiseksi
  • Säännöllisesti uudelleenindeksi, kun arkisto kasvaa
  • Käytä metatietoja (päivämäärä, kirjailija, tyyppi) etsimisen merkityksellisyyden lisäämiseksi
  • Varmuuskopioitu alkuperäiset tiedostot ja uutettu teksti

Edistyneet skenaariot

Käsikirja 1: Monikielinen arkiston etsiminen 

settings.Language = Language.Spanish;

Käsikirja 2: Hakuva PDF 

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

johtopäätöksiä

Aspose.OCR for .NET:n avulla voit muuttaa staattisia digitaalisia arkistoja rikkaiksi ja täysin hakukäyttöisiksi resursseiksi, jotka mahdollistavat vaatimustenmukaisuuden, tutkimuksen ja nopean tiedon löytämisen.

Löydä lisää integraation vinkkejä ja API: n esimerkkejä ASPOSE.OCR .NET API-referenssille .

 Suomi