PDF szűrés a szöveghez
Hogyan lehet átalakítani a szkennelt PDF-ket kereshető dokumentumokba

Hogyan lehet átalakítani a szkennelt PDF-ket kereshető dokumentumokba

Sok értékes dokumentum a szkennelt PDF-kban van elkapva, így nem kereshető és nem hozzáférhető a keresőmotorokhoz vagy a termelékenységi eszközökhöz. Aspose.OCR Scanned PDF to Text for .NET lehetővé teszi, hogy ezeket a statikus fájlokat teljes körűen megkereshető, szerkeszthető dokumentumba alakítsa, minimális kódgal.

Valódi problémák

A szkennelt PDF-szerződéseket, könyveket vagy archívumokat nem lehet keresni, indexelni vagy másolni, kivéve, ha a szöveget kivonják. kézi retyping lassú, drága, és a hibák bevezetésének kockázata - különösen a nagy vagy többoldalú fájlok esetében.

megoldás áttekintése

Az ASPOSE.OCR for .NET képes összeállítani a szkennelt PDF-k feldolgozását, kivonja és exportálja a szöveget a különböző formátumokban, így a dokumentumok kereshetők, indexálhatók és készen állnak a digitális munkafolyamatokhoz vagy a megfeleléshez.

előfeltételek

  • Visual Studio 2019 vagy újabb
  • .NET 6.0 vagy újabb (vagy .Net Framework 4.6.2+)
  • ASPOSE.OCR for .NET a NuGet-ről
  • Alapvető C# programozási tapasztalat
PM> Install-Package Aspose.OCR

lépésről lépésre megvalósítás

1. lépés: Az Aspose.OCR telepítése és konfigurálása 

using Aspose.OCR;

2. lépés: Add scaned PDF fájlok 

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

3. lépés: A PDF-ek felismerési beállításai beállítása 

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

4. lépés: futtatja az OCR-t a szkennelt PDF-eken 

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

5. lépés: A kereshető formátumok exportálása 

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
}

6. lépés: Hibaelhárítás és validáció hozzáadása 

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

7. lépés: Többoldalú és nagy PDF-k optimalizálása

  • A több oldalt tartalmazó PDF-k esetében adja meg a fájlt és állítsa be az oldal tartományokat, amennyiben szükséges
  • Tune beállítások dokumentum elrendezés és nyelv
  • Batch feldolgozza az összes fájlt egy katalógusban
foreach (string file in Directory.GetFiles("./pdfs", "*.pdf"))
{
    input.Add(file);
}

8. lépés: Teljes példa 

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}");
        }
    }
}

Esetek és alkalmazások használata

Digitális archív keresés

Statikus, szkennelt archívumok átalakítása kereshető, indexelt erőforrások könyvtárak, jogi cégek, vagy társaságok.

Szabályozási és megfelelőségi digitalizáció

Szöveg kivonása a szkennelt megfelelőségi dokumentumokból a jóváhagyás és az ellenőrzés céljából.

Akadémiai és könyvkiadvány

Digitalizálja a könyveket és a kutatási papírokat a digitális hozzáférés, az e-learning vagy a forgalmazás céljából.

Közös kihívások és megoldások

1. kihívás: alacsony minőségű vagy meghibásodott szkennelés

** Megoldás:** A tisztaság előkészítése; az AUTO üzemmód használata a tiszta elrendezés kezeléséhez.

2. kihívás: többnyelvű PDF-k

** Megoldás:** A nyelvi beállítások beállítása és tesztelése a mintafájlokon.

3. kihívás: Nagyon nagy vagy nagy fájlok

** Megoldás:** A folyamat kezelhető csomagokban és a memória használatának nyomon követésében történik.

A teljesítmény megfontolása

  • Batch folyamat a maximális hatékonyság érdekében
  • Kiváló minőségű szkennelt PDF-k használata
  • Az OCR tárgyak használatát követően

Legjobb gyakorlatok

  • Validálja a kimenetet a forráskódú PDF-k ellen az integráció előtt
  • PDF-k szervezése témakörben vagy részlegben a könnyebb kezelés érdekében
  • Biztosítsa az összes szkennelt és feldolgozott fájlt
  • Használja az Aspose.OCR legújabb verzióját a legjobb pontosság érdekében

fejlett forgatókönyvek

1. forgatókönyv: Export JSON adatcsövekhez 

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

2. forgatókönyv: Selective Page OCR 

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

következtetések

Az Aspose.OCR Scanned PDF to Text for .NET lehetővé teszi, hogy gyorsan átalakítsa a szkennelt PDF-ket kereshető, szerkeszthető dokumentumokba a modern munkafolyamatokhoz.

Találjon továbbfejlesztett kódot és tippeket a Az ASPOSE.OCR a .NET API referenciájához .

 Magyar