PDF szűrés a szöveghez
Hogyan lehet javítani a keresést a digitális archívumokban az Aspose.OCR segítségével

Hogyan lehet javítani a keresést a digitális archívumokban az Aspose.OCR segítségével

A szkennelt dokumentumok és képek millióit digitális archívumokban tárolják, de a tartalmuk keresése lehetetlen, hacsak a szöveget nem húzzák ki és indexálják.Az Aspose.OCR for .NET lehetővé teszi, hogy az archiv értékét feloldja, minden dokumentuma szövegkereshetővé teheti, a szerződésektől a történelmi újságokig.

Valódi problémák

Az archívumok szkennelt szerződésekkel, könyvekkel, cikkekkel vagy képekkel vannak csomagolva.A felhasználók nem kereshetik ezeket a fájlokat, kivéve, ha a szöveget kivonják, lassítják a kutatást, jogi felülvizsgálatot vagy eDiscovery-t.

megoldás áttekintése

Az Aspose.OCR for .NET batch a szkennelt képekből vagy PDF-kból származó szöveget kivonja, és lehetővé teszi, hogy ezeket az adatokat a kedvenc keresési megoldásába szállítsa – amely teljes szöveges keresést, címkézést és információvisszatérítést biztosít a tömeges archívumokon keresztül.

előfeltételek

Győződjön meg róla, hogy van:

  • 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# készségek
PM> Install-Package Aspose.OCR

lépésről lépésre megvalósítás

1. lépés: Az Aspose.OCR telepítése és konfigurálása 

using Aspose.OCR;

2. lépés: Készítsen archív fájlokat

Gyűjtsük össze az összes szkennelt képet vagy PDF-t egy logikus mappasztruktúrában a könnyű csomagkezeléshez.

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

3. lépés: A felismerési beállítások beállítása

Tune a nyelv, a dokumentum elrendezés, és optimalizálja a batch futások.

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

4. lépés: A szöveg kivonása a Batch-ban 

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);

5. lépés: Az indexeléshez mentse a kivont szöveget 

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

6. lépés: Hozzon létre vagy frissítse a keresési indexet

Integráljon a Lucene.NET, az ElasticSearch, vagy a kedvenc indexelés/keresési eszköz. Használja a kivonott szöveget és metadatait a gyors archív kereséshez.

7. lépés: Integrálja a keresést a böngészővel

Csatlakoztassa keresési indexét az archívum webes felületéhez, a dokumentumnézethez vagy a kutatási eszközhez a teljes szöveges eredményekhez.

8. lépés: Hibaelhárítás hozzáadása 

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

9. lépés: tesztelés és érvényesítés

Végezze el a minta lekérdezéseket és megerősítse az archívumot most teljesen kereshető.

Esetek és alkalmazások használata

Digitális könyvtárak és múzeumok

A digitalizált könyvek, kéziratok és gyűjtemények teljes szöveges keresésének lehetővé tétele.

Társasági és jogi archívumok

Keresse meg a szerződéseket, a memóriákat és a jelentéseket azonnal – függetlenül attól, hogy az eredeti formátumuk.

Akadémiai és újság archívumok

A kutatók gyorsan kereshetnek történelmi dokumentumokat, cikkeket vagy cenzúra adatokat.

Közös kihívások és megoldások

1. kihívás: különböző típusú dokumentumok

** Megoldás:** Az AUTO módot és a tesztfelismerést különböző dokumentumterületeken használja.

2. kihívás: A régi vagy sérült dokumentumok OCR pontossága

** Megoldás:** Preprocess a kontraszt/deskew, vagy használja a nyelvi és szűrő beállítások.

3. kihívás: Skala és teljesítmény

** Megoldás:** A csomagolási folyamat párhuzamosan és az erőforrás-használat nyomon követésével történik.

A teljesítmény megfontolása

  • Az archívumok kezelhető csomagokban
  • A kivetett szöveg hatékony indexformátumokban tárolása
  • Memória monitor és I/O fájl nagy futásokhoz

Legjobb gyakorlatok

  • Az archívumok dokumentumtípus vagy év szerint szervezése a könnyebb indexeléshez
  • Rendszeresen újraindexálva, ahogy az archívum növekszik
  • A metaadatok (datum, szerző, típus) használata a keresés relevanciájának növelése érdekében
  • Az eredeti fájlok és a kivont szöveg biztonsági mentése

fejlett forgatókönyvek

1. forgatókönyv: Többnyelvű archívum keresés 

settings.Language = Language.Spanish;

2. forgatókönyv: A kereshető PDF-re való exportálás 

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

következtetések

Az Aspose.OCR for .NET segítségével a statikus digitális archívumokat gazdag, teljes körűen kereshető erőforrásokká alakíthatja át – lehetővé téve a megfelelést, a kutatást és a gyors információs felfedezést.

További integrációs tippek és API példák megtalálása a Az ASPOSE.OCR a .NET API referenciájához .

 Magyar