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

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

Scanned PDF’s zijn vaak uitdagend om met te werken omdat ze in wezen slechts afbeeldingen van tekst zijn.De omzetting van deze beelden in zoekbare, bewerkbare tekstdocumenten opent een wereld van mogelijkheden voor documentbeheer en inhoud toegankelijkheid. Met Aspose.OCR voor .NET, kunt u gescannede PDF’s omzetten in volledige zoektochtbare documenten terwijl u de oorspronkelijke bewerken behoudt.

Waarom worden gescannelde PDF’s omgezet in zoekbare tekstdocumenten?

  • Toegankelijkheid:- Maak gescannelde inhoud zoektochtbaar, waardoor het gemakkelijk is om informatie te vinden zonder het document handmatig te lezen.

  • Inhoud bewerken:- Zodra het is omgezet in tekst, kan de inhoud worden bewerkt, bijgewerkt of opnieuw gebruikt in andere formaten.

  • Efficiëntie:- Bespaar tijd door het proces van het converteren van gescannelde PDF’s in volledig toegankelijke tekstdocumenten te automatiseren.

Voorwaarden: Setting Up for Scanned PDF Text Extraction

Voordat u tekst uit gescande PDF’s extract, volg deze stappen om ervoor te zorgen dat alles is ingesteld:

  • Installeren van Aspose.OCR voor .NET:- Voeg Aspose.OCR toe aan uw project met behulp van NuGet: dotnet add package Aspose.OCR

  • Krijg uw licentie:- Set up your metered license using SetMeteredKey() to unlock the full functionality of Aspose.OCR.

  • Voorbereid uw gescannelde PDF:- Zorg ervoor dat de gescannelde PDF’s van goede kwaliteit zijn voor betere herkenningsauwkeurigheid.

Step-by-Step Guide: Converting van gescannelde PDF’s naar zoekbare tekst

Stap 1: Stel uw licentie op

Begin met het configureren van uw Aspose.OCR-licentie om alle functies te ontgrendelen.

using Aspose.OCR;

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

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

Vervolgens loopt u de gescande PDF op in het OcrInput-object om het OCR-proces te starten.

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

Stap 3: Configureer de OCR-motor voor herkenning

Installeer de OCR-motor en installeer alle herkenningsinstellingen, zoals taal en nauwkeurigheid.

Aspose.OCR.AsposeOcr recognitionEngine = new Aspose.OCR.AsposeOcr();
RecognitionSettings settings = new RecognitionSettings();
settings.Language = Aspose.OCR.Language.Latin;  // Set OCR language
Console.WriteLine("OCR engine configured.");

Stap 4: Extract en output van de erkende tekst

Nu, extraheren van de tekst uit de gescande PDF met behulp van de OCR-motor.

List<Aspose.OCR.RecognitionResult> results = recognitionEngine.Recognize(input, settings);
Console.WriteLine("Text extracted successfully from the scanned PDF.");

// Output the recognized text
foreach (Aspose.OCR.RecognitionResult result in results)
{
    Console.WriteLine(result.RecognitionText);
}

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

Stap 5: Probeer de zoektochtbare PDF

Zorg ervoor dat de uitgevoerde tekst kan worden gezocht en bewerkt door de output in een PDF-visor of editor te testen.

Gemeenschappelijke problemen en fixes

1. lage OCR nauwkeurigheid

  • Solutie: Zorg ervoor dat de gescande PDF van hoge kwaliteit (minimaal 300 DPI) is om de herkenningsresultaten te verbeteren.

2 Onbeheerde fonts

  • Solutie: Zorg ervoor dat de juiste taal is ingesteld in de OCR-instellingen voor nauwkeurige tekstrecognitie, vooral voor niet-Latin karakters.

Slow Performance voor grote PDF’s

  • Solutie: Voor grote PDF’s verwerkt u het document in kleinere stukken of pagina’s om het geheugengebruik te verminderen en het proces te versnellen.
 Nederlands