Cum de a combina procesul OCR multilingv cu Aspose.OCR

Digitalizarea arhivelor globale, a documentelor de afaceri sau a formularilor de sondaj înseamnă adesea să lucrați cu mai multe limbi. extracția manuală este lentă și nu scalabilă. Aspose.OCR pentru .NET vă permite să automatizați extragerea textului în diferite limbe din volumuri mari de imagini sau PDF-uri cu doar câteva linii de cod.

Problema lumii reale

Companiile internaționale, bibliotecile și serviciile de date se ocupă adesea cu documente lingvistice mixte. sortarea manuală și extracția specifică limbajului sunt plictisitoare și cauzate de erori - mai ales atunci când se scală până la mii de dokumente.

Soluție de ansamblu

Aspose.OCR pentru .NET susține mai mult de 30 de limbi. puteți configura setările de recunoaștere pe fișier sau batch, apoi automatizați extracția și exportul în formatul preferat pentru integrarea fără întârziere în fluxurile de lucru de afaceri sau de cercetare.

Prevederile

• Visual Studio 2019 sau mai târziu
• .NET 6.0 sau mai târziu (sau .Net Framework 4.6.2+)
• Aspose.OCR pentru .NET de la NuGet
• Experiență de programare C#

PM> Install-Package Aspose.OCR

Implementarea pas cu pas

using Aspose.OCR;

// Example folders: ./input/en, ./input/fr, ./input/zh

Dictionary<string, Language> langFolders = new Dictionary<string, Language>
{
    { "en", Language.English },
    { "fr", Language.French },
    { "zh", Language.ChineseSimplified }
};

foreach (var pair in langFolders)
{
    string folder = "./input/" + pair.Key;
    RecognitionSettings settings = new RecognitionSettings();
    settings.Language = pair.Value;

    OcrInput input = new OcrInput(InputType.SingleImage);
    foreach (string file in Directory.GetFiles(folder, "*.png"))
    {
        input.Add(file);
    }

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

    foreach (RecognitionResult result in results)
    {
        string output = Path.Combine("./output/", pair.Key + "_" + Path.GetFileNameWithoutExtension(result.FileName) + ".txt");
        result.Save(output, SaveFormat.Text);
    }
}

try
{
    // batch processing code
}
catch (Exception ex)
{
    Console.WriteLine($"Error: {ex.Message}");
}

// Example: Parallel batch processing
Parallel.ForEach(langFolders, pair =>
{
    // per-language processing logic
});

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

class Program
{
    static void Main(string[] args)
    {
        try
        {
            Dictionary<string, Language> langFolders = new Dictionary<string, Language>
            {
                { "en", Language.English },
                { "fr", Language.French },
                { "zh", Language.ChineseSimplified }
            };

            foreach (var pair in langFolders)
            {
                string folder = "./input/" + pair.Key;
                RecognitionSettings settings = new RecognitionSettings();
                settings.Language = pair.Value;

                OcrInput input = new OcrInput(InputType.SingleImage);
                foreach (string file in Directory.GetFiles(folder, "*.png"))
                {
                    input.Add(file);
                }

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

                foreach (RecognitionResult result in results)
                {
                    string output = Path.Combine("./output/", pair.Key + "_" + Path.GetFileNameWithoutExtension(result.FileName) + ".txt");
                    result.Save(output, SaveFormat.Text);
                }
            }
        }
        catch (Exception ex)
        {
            Console.WriteLine($"Error: {ex.Message}");
        }
    }
}

Folosește cazuri și aplicații

Arhivă digitală

Extragerea automată a textului din arhive multilingve, ziare sau înregistrări corporative.

Automatizarea afacerilor internaționale

Feed OCR rezultate din contractele lingvistice mixte, facturile sau documentele HR în ERP global sau fluxul de lucru.

Conformitate și căutare multilingvă

Permite căutarea completă a textului și verificarea conformității prin intermediul documentelor în mai multe limbi.

Provocări și soluții comune

Cuvânt cheie: Documentele lingvistice mixte

Soluție: Executați detecția și prelucrarea pe pagină sau utilizați modul de limbă AUTO dacă este disponibil.

Provocare 2: Calitatea imaginii variate

Soluție: Standardizați scanarea și efectuați prelucrarea pre-procesului pentru a normaliza calitatea imaginii.

Sfârșitul 3: Bottlenecks de performanță

Soluție: Procesarea în paralel, acolo unde este posibil, și optimizarea utilizării resurselor.

Considerații de performanță

• Organizați locuri de muncă de batch prin limbă pentru eficiența resurselor
• Monitorizarea memorii/CPU cu locuri de muncă paralele
• Validați rezultatul la fiecare batch

Cele mai bune practici

• Păstrați folderele lingvistice organizate pentru rezolvarea ușoară a problemelor
• Validați un set de eșantion pentru fiecare limbă
• Actualizare Aspose.OCR pentru cele mai recente îmbunătățiri lingvistice
• Asigurați datele de intrare și de ieșire

Scenarii avansate

Scenariul 1: Exportarea rezultatelor multilingve către JSON

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

Scenariul 2: Detectați automat limba (dacă este susținută)

settings.Language = Language.Auto;

concluziile

Aspose.OCR pentru .NET vă permite să automatizați extragerea textului din colecții de imagini diverse și multilingve – accelerând digitalizarea globală și făcând arhivele dvs. căutate, descoperite și pregătite pentru integrarea fluxului de lucru.

Pentru o listă completă de limbi susținute și sfaturi avansate, vizitați Aspose.OCR pentru .NET API Referință .