Comment automatiser l'extraction de données à partir de PDF multi-page avec Aspose.OCR

Les PDF multi-page des scanners, des archives ou des flux de travail des entreprises contiennent souvent de vastes quantités de textes et de tables non recherchables. l’extraction manuelle est lente et non scalable. Aspose.OCR pour .NET automatisera la extraction de texte, de tableaux et d’une structure à partir de PDFs longs et complexes avec un code minimum.

Problème du monde réel

Les archives juridiques, financières et académiques traitent régulièrement des PDF scannés à plusieurs pages contenant des centaines de pages.

Vue de la solution

Aspose.OCR pour .NET peut combiner le processus et extraire des textes / tables de chaque page dans un PDF multi-page. Vous pouvez spécifier les rangs de page, les formats d’exportation et l’intégration automatique avec les applications commerciales ou les archives numériques.

Principaux

• Visual Studio 2019 ou ultérieur
• .NET 6.0 ou ultérieur (ou .Net Framework 4.6.2+)
• Aspose.OCR pour .NET de NuGet
• Les compétences de programmation C#

PM> Install-Package Aspose.OCR

La mise en œuvre étape par étape

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}");
        }
    }
}

Utiliser les cas et les applications

Légale et conformité archivant

Extrait du contenu complet des contrats, des demandes judiciaires, ou des dossiers gouvernementaux pour la recherche et le respect.

Archives académiques et de recherche

Digitaliser et diviser des journaux, des thèses ou des tables de données pour l’analyse ou le e-learning.

flux de travail financier et d’audit

Extraction automatique des grands archives de déclarations, rapports et brochures.

Défis communs et solutions

Défi 1 : Layouts de page incohérents

Solution: Utilisez la détection AUTO ou définissez différents modes par gamme de page.

Défi 2 : PDFs très grands

Solution: Processus en batches; fichiers divisés pour une meilleure performance de la mémoire.

Défi 3 : contenu mélangé (texte, tableaux, images)

Solution: Validation et sorties post-proces; mode de détection de tonne.

Considérations de performance

• Les grands PDF nécessitent plus de mémoire/CPU
• Travaux off-hours pour les meilleures performances
• Valider les échantillons de sortie avant l’intégration

Migliori pratiche

• Utilisez des conventions de nom pour un suivi facile
• Répartissez les PDF multi-page si les fichiers sont très grands
• Sécuriser les documents source et de sortie
• Valider et vérifier les résultats dans les flux de travail critiques

Scénarios avancés

Scénario 1: Exportation vers les PDF recherchables par page

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

Scénario 2: Intégrer avec une base de données ou un nuage

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

Conclusion

Aspose.OCR pour .NET permet une extraction robuste, scalable du texte et des données structurées à partir de PDF de plusieurs pages, ce qui économise des heures d’efforts manuels et améliore l’automatisation du flux de travail.

Voir plus d’exemples de traitement de PDF et de batch dans le Aspose.OCR pour la référence API .NET .