Jak przekonwertować skanowane pliki PDF do wyszukiwanych dokumentów

Wiele cennych dokumentów jest uwięzionych w skanowanych plikach PDF, co sprawia, że są one nie do wyszukiwania i niedostępne dla wyszukujących silników lub narzędzi wydajności. Aspose.OCR Scanned PDF to Text for .NET pozwala na przekształcenie tych statycznych plików w w całości można wyszukać, edytowane dokumenty z minimalnym kodem.

Problem świata rzeczywistego

Skanowane umowy PDF, książki lub archiwum nie mogą być wyszukiwane, indeksowane lub skopiowane, chyba że tekst jest wyciągnięty. ręczne odtwarzanie jest powolne, drogie, a ryzyko wprowadzania błędów - szczególnie dla dużych lub wielu stron plików.

Przegląd rozwiązania

Aspose.OCR dla .NET może przetwarzać skanowane pliki PDF, ekstraktować i eksportować tekst w różnych formach – tworząc dokumenty do wyszukiwania, indeksowalne i gotowe do cyfrowych przepływów pracy lub zgodności.

Warunki

• Visual Studio 2019 lub później
• .NET 6.0 lub nowszy (lub .Net Framework 4.6.2+)
• Aspose.OCR dla .NET od NuGet
• Podstawowe doświadczenie w programowaniu C#

PM> Install-Package Aspose.OCR

Wdrażanie krok po kroku

using Aspose.OCR;

OcrInput input = new OcrInput(InputType.PDF);
input.Add("archive1.pdf");
input.Add("books.pdf");

RecognitionSettings settings = new RecognitionSettings();
settings.Language = Language.English;
settings.DetectAreasMode = DetectAreasMode.AUTO; // Best for mixed document layouts

AsposeOcr ocr = new AsposeOcr();
List<RecognitionResult> results = ocr.Recognize(input, settings);

foreach (RecognitionResult result in results)
{
    result.Save("archive_searchable.pdf", SaveFormat.Pdf);   // Searchable PDF
    result.Save("archive_text.txt", SaveFormat.Text);         // Plain text
    result.Save("archive_word.docx", SaveFormat.Docx);       // Word document
}

try
{
    AsposeOcr ocr = new AsposeOcr();
    List<RecognitionResult> results = ocr.Recognize(input, settings);
    // Further processing
}
catch (Exception ex)
{
    Console.WriteLine($"Error: {ex.Message}");
}

foreach (string file in Directory.GetFiles("./pdfs", "*.pdf"))
{
    input.Add(file);
}

using Aspose.OCR;
using System;
using System.Collections.Generic;

class Program
{
    static void Main(string[] args)
    {
        try
        {
            OcrInput input = new OcrInput(InputType.PDF);
            input.Add("archive1.pdf");
            input.Add("books.pdf");

            RecognitionSettings settings = new RecognitionSettings();
            settings.Language = Language.English;
            settings.DetectAreasMode = DetectAreasMode.AUTO;

            AsposeOcr ocr = new AsposeOcr();
            List<RecognitionResult> results = ocr.Recognize(input, settings);

            foreach (RecognitionResult result in results)
            {
                result.Save("archive_searchable.pdf", SaveFormat.Pdf);
                result.Save("archive_text.txt", SaveFormat.Text);
                result.Save("archive_word.docx", SaveFormat.Docx);
            }
        }
        catch (Exception ex)
        {
            Console.WriteLine($"Error: {ex.Message}");
        }
    }
}

Korzystanie z przypadków i aplikacji

Archiwum cyfrowe wyszukiwanie

Konwertuj statyczne, skanowane archiwum w wyszukiwane, indeksowane zasoby dla bibliotek, firm prawniczych lub korporacji.

Digitalizacja regulacyjna i zgodność

Ekstrakcja tekstu z skanowanych dokumentów zgodności do weryfikacji i audytu.

Wydawnictwo akademickie i książkowe

Digitalizacja książek tekstowych i dokumentów badawczych w celu uzyskania dostępu cyfrowego, e-learningu lub dystrybucji.

Wspólne wyzwania i rozwiązania

Wyzwanie 1: Niska jakość lub skanowanie

Rozwiązanie: Preproces dla jasności; użyj trybu AUTO do robustego obsługi układu.

Wyzwanie 2: Wielojęzyczne pliki PDF

Rozwiązanie: Dostosuj ustawienia językowe i testuj na plikach próbek.

Wyzwanie 3: Bardzo duże lub batch pliki

**Rozwiązanie: ** Procesy w zarządzanych zestawach i monitorowanie wykorzystania pamięci.

uwzględnienie wydajności

• Proces batchowy dla maksymalnej wydajności
• Korzystaj z wysokiej jakości skanowanych plików PDF
• Dostarczanie obiektów OCR po użyciu

Najlepsze praktyki

• Validacja wyjścia przeciwko źródłowym plikom PDF przed zintegrowaniem
• Zorganizuj pliki PDF według tematu lub sekcji, aby ułatwić zarządzanie
• Zabezpieczenie wszystkich skanowanych i przetworzonych plików
• Użyj najnowszej wersji Aspose.OCR dla najlepszej precyzji

Zaawansowane scenariusze

Scenariusz 1: Eksport do JSON dla rurociągów danych

foreach (RecognitionResult result in results)
{
    result.Save("archive_data.json", SaveFormat.Json);
}

Scenariusz 2: Strona selekcyjna OCR

input.Add("compliance.pdf", 0, 5); // Recognize first 5 pages only

konkluzja

Aspose.OCR Scanned PDF to Text for .NET pozwala szybko przekształcić skanowane pliki PDF w wyszukiwalne, edytowane dokumenty dla nowoczesnych przepływów pracy.

Znajdź bardziej zaawansowane kody i wskazówki w Aspose.OCR dla .NET API Referencje .