Skannattu PDF tekstiin
Kuinka muuntaa skannattuja PDF-tiedostoja hakukoneisiin .NET: ssä

Kuinka muuntaa skannattuja PDF-tiedostoja hakukoneisiin .NET: ssä

Skannatut PDF-tiedostot ovat tyypillisesti muokkaamattomia, kuvanpohjaisia tiedostoja, mikä vaikeuttaa tekstin tuottamista niistä. Aspose.OCR for .NET:llä voit nopeasti muuttaa näitä skannattuja PDF:itä muokattaviin, hakukoneisiin tekstiasiakirjoihin, jotka tekevät tiedonkeruusta ja asiakirjan hallintaa paljon helpompaa.

Miksi sinun pitäisi muuntaa skannattuja PDF-tiedostoja etsimävään tekstiin?

  • Lisääntynyt saatavuus:- Skannattuja PDF-tiedostoja voidaan muuntaa tekstiksi, joka on haku ja muokattavissa, mikä mahdollistaa sisällön paremman saatavuuden.

  • Tietojen järjestäminen:- Kun teksti on muunnettu, tekstiä voidaan järjestää, manipuloida ja käyttää uudelleen eri muodoissa, kuten Word, Excel tai tasainen teksti.

  • Sisällön säilyttäminen:- Aspose.OCR varmistaa, että alkuperäiset kuvat ja asetukset säilytetään tekstin poistamisen aikana, mikä antaa sinulle sekä sisältöä että kontekstia.

Edellytykset: Valmistaudu skannattuun PDF-muuntamiseen

Ennen kuin aloitat tekstin poistoa skannatuista PDF-tiedostoista, varmista seuraavat:

  • Asenna Aspose.OCR .NET varten:- Asenna tarvittava kirjasto NuGetin avulla komennolla: dotnet add package Aspose.OCR

  • Lisenssin määritys:- Obtain and configure a metered license using the SetMeteredKey() method to unlock all features.

  • Lataa skannatut PDF-tiedostosi:- Varmista, että skannatut PDF-tiedostosi ovat laadukkaita (300 DPI tai korkeampia) parhaan OCR-tuloksen saavuttamiseksi.

Vaiheittainen opas skannattujen PDF-tiedostojen muuntamiseen tekstiin

Vaihe 1: Aseta lisenssi

Aloita määrittämällä Aspose.OCR -lisenssi varmistaaksesi täyden pääsyn ominaisuuksiin.

using Aspose.OCR;

Metered license = new Metered();
license.SetMeteredKey("<your public key>", "<your private key>");
Console.WriteLine("Metered license configured successfully.");

Vaihe 2: Lataa skannattu PDF OCR Input Object

Lataa skannattu PDF-tiedosto OCR-moottoriin tekstin tunnistamiseksi.

OcrInput input = new OcrInput(Aspose.OCR.InputType.PDF);
input.Add("scanned_document.pdf", 0, 3);  // Specify pages to process (first 3 pages)
Console.WriteLine("Scanned PDF loaded successfully.");

Vaihe 3: Aseta OCR-moottori tunnistamiseen

Aseta OCR-moottori optimoimaan tekstien poistoa skannatusta PDF:stä.

Aspose.OCR.AsposeOcr recognitionEngine = new Aspose.OCR.AsposeOcr();
RecognitionSettings settings = new RecognitionSettings();
settings.Language = Aspose.OCR.Language.Latin;  // Specify OCR language (use Latin for English)
Console.WriteLine("OCR settings configured.");

Vaihe 4: Poista ja tallenna tunnistettu teksti

Käsittele skannattu PDF-tiedosto tuoda teksti ja tuoda se tiedostoon.

List<Aspose.OCR.RecognitionResult> results = recognitionEngine.Recognize(input, settings);
Console.WriteLine("Text extraction successful.");

// Output the recognized text to a file
results[0].Save("recognized_text.txt", Aspose.OCR.SaveFormat.Text);
Console.WriteLine("Recognized text saved to recognized_text.txt.");

Vaihe 5: Testaa tunnistettu teksti

Poiston jälkeen tarkista tekstien tunnistamisen tarkkuus tarkistamalla lähtötiedosto tai näyttämällä se konsolilla.

Yhteiset ongelmat ja korjaukset

1. Huono OCR tarkkuus

  • Ratkaisu: Varmista, että skannattu PDF-laatu on korkea (300 DPI tai enemmän) parempaan tunnistamisen tarkkuuteen.

2. Virheellinen kielen tunnistaminen

  • Ratkaisu: Määritä selkeästi kielen asetukset RecognitionSettings parempia tuloksia varten, erityisesti muille kuin latinalaisille merkille.

3. Vähä suorituskyky suurille tiedostoille

  • Ratkaisu: Käsittele suuria PDF-tiedostoja kappaleina tai optimoi muistin käyttöä OCR-prosessin nopeuttamiseksi.
 Suomi