Как конвертировать сканированные PDF-файлы в поисковые документы

Многие ценные документы застряли в сканированных PDF-файлах, делая их неискажимыми и недоступными для поисковых систем или инструментов производительности. Aspose.OCR Scanned PDF to Text for .NET позволяет превратить эти статические файлы в полностью искаемые, редактируемые документы с минимальным кодом.

Реальные мировые проблемы

Сканированные PDF-контракты, книги или архивы не могут быть исканы, индексированы или копированы, если текст не извлечен. Ручное переписывание медленно, дорого и рискует ввести ошибки — особенно для больших или многостраничных файлов.

Решение обзор

ASPOSE.OCR для .NET может перерабатывать скенированные PDF-файлы, экстрактировать и экспортировать текст в различных форматах — делая документы поисковыми, индексируемыми и готовыми к цифровым рабочим потокам или соответствию.

Предупреждения

• Visual Studio 2019 или позднее
• .NET 6.0 или более поздний (или .Net Framework 4.6.2+)
• ASPOSE.OCR для .NET от NuGet
• Опыт программирования C#

PM> Install-Package Aspose.OCR

Step-by-Step реализация

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}");
        }
    }
}

Используйте случаи и приложения

Цифровые архивные поиски

Конвертируйте статические, сканируемые архивы в поисковые, индексированные ресурсы для библиотек, юридических фирм или корпораций.

Дигитализация регулирования и соответствия

Экстракт текста из скенированных документов соответствия для валидации и проверки.

Академическая и книжная публикация

Цифровывать учебники и научные документы для цифрового доступа, электронного обучения или распределения.

Общие вызовы и решения

Проблема 1: низкое качество или сканированные сканы

Решение: Препроцесс для четкости; используйте режим AUTO для прочной обработки расположения.

Проблема 2: Многоязычные PDF-файлы

Решение: Сделайте настройки языка и тестируйте на файлах образца.

Проблема 3: Очень большие или бач файлы

Решение: Процесс в управляемых комплектах и мониторинг использования памяти.

Рассмотрим производительность

• Бач-процесс для максимальной эффективности
• Используйте качественные сканированные PDF-файлы
• Наличие ОКР-объектов после использования

Лучшие практики

• Проверка выхода против источника PDF до интеграции
• Организуйте PDF-файлы по теме или отделам для легкого управления
• Защитите все сканированные и обработанные файлы
• Используйте новейшую версию Aspose.OCR для наилучшей точности

Развитые сценарии

Сценарий 1: Экспорт в JSON для трубопроводов данных

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

Сценарий 2: Селективная страница OCR

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

Заключение

Aspose.OCR Scanned PDF to Text for .NET позволяет быстро превратить сканированные PDF-файлы в поисковые, редактируемые документы для современных рабочих потоков.

Найти более продвинутый код и советы в ASPOSE.OCR для .NET API .