PDF scanné en texte
Comment convertir des PDF numérisés en documents texte consultables dans .NET

Comment convertir des PDF numérisés en documents texte consultables dans .NET

Scanned PDFs sont souvent difficiles à manipuler car ils ne sont essentiellement que des images de texte. Convertir ces images en documents texte recherchables et modifiables ouvre un monde de possibilités pour la gestion des documents et l’accessibilité au contenu. Avec Aspose.OCR pour .NET, vous pouvez convertir des PDFs scannés en documents entièrement recherchables tout en préservant les images originales.

Pourquoi convertir des PDFs scannés en documents texte recherchables ?

  1. Accessibilité :
    • Rendre le contenu scanné recherchable, facilitant ainsi la recherche d’informations sans avoir à lire manuellement le document.
  2. Édition de contenu :
    • Une fois converti en texte, le contenu peut être édité, mis à jour ou réutilisé dans d’autres formats.
  3. Efficacité :
    • Gagnez du temps en automatisant le processus de conversion des PDFs scannés en documents texte entièrement accessibles.

Prérequis : Configuration pour l’extraction de texte à partir de PDFs scannés

Avant d’extraire du texte à partir de PDFs scannés, suivez ces étapes pour vous assurer que tout est configuré :

  1. Installer Aspose.OCR pour .NET :
    • Ajoutez Aspose.OCR à votre projet en utilisant NuGet :
      dotnet add package Aspose.OCR
  2. Obtenez votre licence :
    • Configurez votre licence mesurée en utilisant SetMeteredKey() pour débloquer la pleine fonctionnalité d’Aspose.OCR.
  3. Préparez votre PDF scanné :
    • Assurez-vous que les PDFs scannés sont de bonne qualité pour une meilleure précision de reconnaissance.

Guide étape par étape : Conversion des PDFs scannés en texte recherché

Étape 1 : Configurez votre licence

Commencez par configurer votre licence Aspose.OCR pour débloquer toutes les fonctionnalités.

using Aspose.OCR;

Metered license = new Metered();
license.SetMeteredKey("<votre clé publique>", "<votre clé privée>");
Console.WriteLine("Licence configurée avec succès.");

Étape 2 : Chargez le PDF scanné dans l’objet d’entrée OCR

Ensuite, chargez le PDF scanné dans l’objet OcrInput pour commencer le processus OCR.

OcrInput input = new OcrInput(Aspose.OCR.InputType.PDF);
input.Add("document_scanné.pdf", 0, 3);  // Traiter les 3 premières pages
Console.WriteLine("PDF scanné chargé avec succès.");

Étape 3 : Configurez le moteur OCR pour la reconnaissance

Configurez le moteur OCR et définissez les paramètres de reconnaissance, tels que la langue et la précision.

Aspose.OCR.AsposeOcr recognitionEngine = new Aspose.OCR.AsposeOcr();
RecognitionSettings settings = new RecognitionSettings();
settings.Language = Aspose.OCR.Language.Latin;  // Définir la langue OCR
Console.WriteLine("Moteur OCR configuré.");

Étape 4 : Extraire et afficher le texte reconnu

Maintenant, extrayez le texte du PDF scanné en utilisant le moteur OCR.

List<Aspose.OCR.RecognitionResult> results = recognitionEngine.Recognize(input, settings);
Console.WriteLine("Texte extrait avec succès du PDF scanné.");

// Afficher le texte reconnu
foreach (Aspose.OCR.RecognitionResult result in results)
{
    Console.WriteLine(result.RecognitionText);
}

// Enregistrer le résultat dans un fichier texte
results[0].Save("texte_reconnu.txt", Aspose.OCR.SaveFormat.Text);
Console.WriteLine("Texte enregistré dans texte_reconnu.txt.");

Étape 5 : Tester le PDF recherché

Assurez-vous que le texte extrait est recherchable et modifiable en testant la sortie dans un visualiseur ou éditeur de PDF.

Problèmes courants et solutions

1. Faible précision OCR

  • Solution : Assurez-vous que le PDF scanné est de haute qualité (au moins 300 DPI) pour améliorer les résultats de reconnaissance.

2. Polices non prises en charge

  • Solution : Assurez-vous que la langue correcte est définie dans les paramètres OCR pour une reconnaissance de texte précise, en particulier pour les caractères non latins.

3. Performances lentes pour les grands PDFs

  • Solution : Pour les grands PDFs, traitez le document en morceaux ou pages plus petits pour réduire l’utilisation de la mémoire et accélérer le processus.
 Français