スキャンされたPDFをテキストに変換
ASPOSE.OCRでデジタルアーカイブの検索を改善する方法

ASPOSE.OCRでデジタルアーカイブの検索を改善する方法

スキャンされたドキュメントや画像の数百万はデジタルアーカイブに保存されますが、テキストが抽出され、インデックスされない限り、そのコンテンツを検索することは不可能です。

現実世界問題

アーカイブはスキャンされた契約、本、記事、または画像で包み込まれています. ユーザーは、テキストが抽出されていない限り、これらのファイルの内部を検索することはできません。

ソリューション概要

Aspose.OCR for .NET バッチは、スキャンされた画像や PDF からテキストを抽出し、これらのデータをお気に入りの検索ソリューションに送信することを可能にします。

原則

あなたが持っていることを確認してください:

  • Visual Studio 2019 以降
  • .NET 6.0 またはそれ以降(または .Net Framework 4.6.2+)
  • ASPOSE.OCR for .NET から NuGet
  • 基本的なC#スキル
PM> Install-Package Aspose.OCR

ステップ・ステップ・実施

ステップ1:インストールおよび設定 Aspose.OCR 

using Aspose.OCR;

ステップ2:アーカイブファイルを整理する

すべてのスキャンされた画像やPDFを論理的なフォルダー構造に収集し、簡単なバッチ処理を行います。

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

ステップ3:認識設定を設定する

Tune for language, document layout, and optimize for batch runs. 言語、ドキュメントの配置、バッチレースのための最適化。

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

ステップ4:バッチでテキストを抽出する 

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);

ステップ5:インデックスのための抽出テキストを保存する 

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

ステップ6:検索インデックスを構築または更新する

Lucene.NET、ElasticSearch、またはあなたの好みのインデックス/検索ツールと統合します。

ステップ7:検索を視聴者と統合する

検索インデックスをアーカイブのウェブインターフェイス、ドキュメントビューバー、または検索ツールに接続して、完全なテキストの結果を得ることができます。

ステップ8:エラー処理を追加する 

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

ステップ9:テストと認証

サンプルリクエストを実行し、あなたのアーカイブが完全に検索可能であることを確認します。

ケースとアプリケーションの使用

デジタル図書館と博物館

デジタル化された本、手書き、コレクションのための完全なテキスト検索を可能にします。

企業・法的アーカイブ

契約、メモ、およびレポートをすぐに見つける - オリジナルの形式に関係なく。

アカデミック・ジャーナリズムアーカイブ

研究者は、歴史的文書、記事、または検閲データを迅速に検索することができます。

共通の課題と解決策

課題1:さまざまなドキュメントタイプ

ソリューション: AUTO モードを使用し、さまざまなドキュメント レイアウトでテスト認証を行います。

課題2:古い文書の正確性

ソリューション: コントロール/デスケーブのためのプレプロセス、または言語とフィルターの設定を使用します。

課題3:スケールとパフォーマンス

ソリューション: パラレルでバッチプロセスとリソースの使用を監視します。

パフォーマンス考慮

  • 管理可能なバッチでプロセスアーカイブ
  • 効率的なインデックス形式で抽出されたテキストを保存する
  • メモリモニタリングおよびファイル I/O 大型レース

ベストプラクティス

  • より簡単なインデックスのために、ドキュメントタイプまたは年によってアーカイブを組織する
  • 定期的にアーカイブが成長するにつれて再インデックスします。
  • メタデータ(日付、著者、タイプ)を使用して検索関連性を高める
  • オリジナルファイルと抽出テキストのバックアップ

高度なシナリオ

シナリオ1:多言語アーカイブ検索 

settings.Language = Language.Spanish;

シナリオ2:検索可能なPDFへの輸出 

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

結論

Aspose.OCR for .NET では、静的なデジタルアーカイブを豊富で完全に検索可能なリソースに変換することができます - 遵守、研究、および迅速な情報発見を可能にします。

より多くの統合のヒントとAPIの例を見つける ASPOSE.OCR for .NET API リファレンス .

 日本語