Skanēts PDF uz teksta
Kā uzlabot meklēšanu digitālajos arhīvos ar Aspose.OCR

Kā uzlabot meklēšanu digitālajos arhīvos ar Aspose.OCR

Miljoniem skenēto dokumentu un attēlu tiek glabāti digitālajos arhīvos – bet to satura meklēšana ir neiespējama, ja vien teksts nav iegūts un indeksēts. Aspose.OCR for .NET ļauj atbloķēt arhīva vērtību, padarot katru dokumentu teksta meklējamu, no līgumiem līdz vēsturiskajām laikrakstām.

Reālā pasaules problēma

Arhīvi ir iepakoti ar skenētiem līgumiem, grāmatām, rakstiem vai attēliem. Lietotāji nevar meklēt iekšpusē šos failus, ja vien teksts nav izņemts, palēninot pētījumu, juridisko pārskatu, vai eDiscovery.

Risinājumu pārskats

Aspose.OCR for .NET batch-ekstrakts teksts no skenētiem attēliem vai PDF un ļauj jums sniegt šos datus savā iecienītākajā meklēšanas risinājumā - ļaujot pilnīgu teksta meklēšanu, marķēšanu un informācijas iegūšanu visā masveida arhīvos.

Prerequisites

Pārliecinieties, ka jums ir:

  • Visual Studio 2019 vai vēlāk
  • .NET 6.0 vai jaunāks (vai .Net Framework 4.6.2+)
  • Aspose.OCR par .NET no NuGet
  • C# prasmes
PM> Install-Package Aspose.OCR

Step-by-step īstenošana

1. solis: Uzstādīt un konfigurēt Aspose.OCR 

using Aspose.OCR;

2. solis: izveidojiet savu arhīvu

Apkopojiet visus skenētos attēlus vai PDF dokumentus loģiskajā mapes struktūrā, lai viegli apstrādātu komplektu.

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

3. solis: Iestatīt atpazīšanas iestatījumus

Tune par valodu, dokumentu izkārtojumu un optimizē batch runs.

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

4. solis: Ekstrakts teksts batch 

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. solis: Iegūto teksta saglabāšana indeksēšanai 

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

6. solis: izveidot vai atjaunināt savu meklēšanas indeksu

Integrējiet ar Lucene.NET, ElasticSearch vai savu iecienīto indekss / meklēšanas rīku.

7. solis: Integrējiet meklēšanu ar savu skatītāju

Saņemiet meklēšanas indeksu ar arhīva tīmekļa saskarni, dokumentu skatītāju vai pētniecības rīku, lai iegūtu pilnīgu teksta rezultātus.

8. solis: pievienojiet kļūdu apstrādi 

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

9. posms: pārbaude un apstiprināšana

Izveidojiet paraugu pieprasījumus un apstipriniet, ka jūsu arhīvs tagad ir pilnībā meklējams.

Izmantojiet gadījumus un pieteikumus

Digitālās bibliotēkas un muzeji

Iegūstiet pilnu teksta meklēšanu digitalizētām grāmatām, rakstiem un kolekcijām.

Uzņēmumu un juridisko arhīvu

Atrodiet līgumus, atmiņas un ziņojumus uzreiz – neatkarīgi no to oriģināla formāta.

Akadēmiskā un žurnāla arhīva

Pētnieki var ātri meklēt vēsturiskos dokumentus, rakstus vai cenzūras datus.

Kopīgi izaicinājumi un risinājumi

1. problēma: dažādi dokumenti

Rīze: Izmantojiet AUTO režīmu un testu atpazīstamību dažādos dokumentu izkārtojumos.

2. izaicinājums: OCR precizitāte vecajiem vai bojātiem dokumentiem

Rīkojums: Preprocesēšana kontrastam/deskevam vai valodas un filtra iestatījumu izmantošana.

Izteikums 3: Skala un veiktspēja

Rīze: Batch process paralēli un uzrauga resursu izmantošanu.

Darbības apsvērumi

  • Procesu arhīvi pārvaldāmās partijās
  • Izveidota teksta uzglabāšana efektīvos indeksa formātos
  • Pārraidiet atmiņu un I/O failu lieliem braucieniem

Labākās prakses

  • Organizējiet arhīvus pēc dokumenta tipa vai gada, lai vienkāršotu indeksošanu
  • Regulāri pārindexēt, jo jūsu arhīvs aug
  • Metadatu (datums, autors, veids) izmantošana, lai uzlabotu meklēšanas relevanci
  • Aizsargāt oriģinālus failus un iegūtos tekstus

Augstākie scenāriji

Scenārija 1: Daudzvalodu arhīva meklēšana 

settings.Language = Language.Spanish;

Scenārija 2: Eksportēšana uz meklējamiem PDF 

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

Conclusion

Ar Aspose.OCR for .NET, jūs varat pārvērst statiskus digitālos arhīvus bagātos, pilnībā meklējamos resursus – ļaujot atbilstību, pētījumus un ātru informācijas atklāšanu.

Atrodiet vairāk integrācijas padomu un API piemēru Aspose.OCR par .NET API atsauci .

 Latviski