Scannen PDF naar tekst
Hoe te converteren gescannelde PDF's naar zoekbare tekstdocumenten in .NET

Hoe te converteren gescannelde PDF's naar zoekbare tekstdocumenten in .NET

Scanned PDF’s zijn meestal niet-editable, afbeeldingsgebaseerde bestanden, wat het moeilijk maakt om tekst uit hen te extraheren. echter, met Aspose.OCR voor .NET, kunt u snel deze gescannede PDF’s omzetten in bewerkbare, zoekbare tekstdocumenten die het verzamelen van gegevens en het beheren van documenten veel gemakkelijker maken.

Waarom moet je gescannelde PDF’s omzetten naar zoekbare tekst?

  • Geavanceerde toegankelijkheid:- Scande PDF’s kunnen worden omgezet in tekst dat zoekt en bewerkt kan worden, waardoor de inhoud beter toegankelijk is.

  • Gegevensorganisatie:- Eenmaal geconverteerd, kan de tekst worden georganiseerd, geanimeerd en hergebruikt in verschillende formaten zoals Word, Excel of vlakke tekst.

  • Inhoud behoud:- Aspose.OCR zorgt ervoor dat de oorspronkelijke afbeeldingen en layout worden bewaard terwijl de tekst wordt geïntroduceerd, waardoor u zowel inhoud als context geeft.

Voorwaarden: Bereid te worden voor gescannen PDF-conversie

Voordat u begint met het proces van het extraheren van tekst uit gescannuleerde PDF’s, zorg ervoor dat de volgende:

  • Installeren van Aspose.OCR voor .NET:- Installeer de nodige bibliotheek met behulp van NuGet met de opdracht: dotnet add package Aspose.OCR

  • License configuratie:- Obtain and configure a metered license using the SetMeteredKey() method to unlock all features.

  • Voorbereid uw gescannelde PDF’s:- Zorg ervoor dat uw gescannelde PDF’s in goede kwaliteit (300 DPI of hoger) zijn voor de beste OCR-resultaten.

Step-by-step gids voor het converteren van gescannelde PDF’s naar tekst

Stap 1: Installeer uw licentie

Begin met het configureren van uw Aspose.OCR-licentie om volledige toegang tot de functies te garanderen.

using Aspose.OCR;

Metered license = new Metered();
license.SetMeteredKey("<your public key>", "<your private key>");
Console.WriteLine("Metered license configured successfully.");

Stap 2: Laden van de Scanned PDF naar het OCR Input Object

Load de gescande PDF-bestand naar de OCR-motor voor tekstrecognitie.

OcrInput input = new OcrInput(Aspose.OCR.InputType.PDF);
input.Add("scanned_document.pdf", 0, 3);  // Specify pages to process (first 3 pages)
Console.WriteLine("Scanned PDF loaded successfully.");

Stap 3: Configureer de OCR-motor voor herkenning

Installeer de OCR-motor om de tekstextractie van de gescande PDF te optimaliseren.

Aspose.OCR.AsposeOcr recognitionEngine = new Aspose.OCR.AsposeOcr();
RecognitionSettings settings = new RecognitionSettings();
settings.Language = Aspose.OCR.Language.Latin;  // Specify OCR language (use Latin for English)
Console.WriteLine("OCR settings configured.");

Stap 4: Extract en bewaar de erkende tekst

Verwerken van de gescannuleerde PDF om de tekst te extraheren en uit te voeren naar een bestand.

List<Aspose.OCR.RecognitionResult> results = recognitionEngine.Recognize(input, settings);
Console.WriteLine("Text extraction successful.");

// Output the recognized text to a file
results[0].Save("recognized_text.txt", Aspose.OCR.SaveFormat.Text);
Console.WriteLine("Recognized text saved to recognized_text.txt.");

Stap 5: Test de erkende tekst

Na de extractie, controleer de nauwkeurigheid van de tekstrecognitie door het outputbestand te controleren of het op de console te tonen.

Gemeenschappelijke problemen en fixes

Slechte OCR nauwkeurigheid

  • Solutie: zorg ervoor dat de gescannelde PDF-kwaliteit hoog is (300 DPI of meer) voor betere herkenningsauwkeurigheid.

2. onjuiste taalrecognitie

  • Solution: De taalinstellingen in RecognitionSettings worden uitdrukkelijk aangegeven voor betere resultaten, vooral voor niet-Latijnse tekens.

Slow Performance voor grote bestanden

  • Solutie: Grote PDF’s in stukken verwerken of het geheugengebruik optimaliseren om het OCR-proces te versnellen.
 Nederlands