Отсканированный PDF в текст
Как извлечь текст из сканированных PDF-файлов с помощью Aspose.OCR

Как извлечь текст из сканированных PDF-файлов с помощью Aspose.OCR

Экстракция текста из сканированных или изобразительных PDF-файлов, используемых для требований сложных рабочих потоков или дорогой ручной работы. С Aspose.OCR Scanned PDF to Text for .NET, вы можете автоматизировать этот процесс, конвертируя PDF в поисковый и редактируемый текст с несколькими линиями кода.

Реальные мировые проблемы

Организации часто получают контракты, отчеты или архивы, как сканированные PDF. Ручно копировать текст или искать внутри этих документов скучно и ошибочно, замедляя соответствие, архивирование и цифровые трансформационные проекты.

Решение обзор

ASPOSE.OCR для .NET позволяет комплектировать скенированные PDF-файлы — превращая их в текстовые или поисковые PDF, делая информацию доступной, индексируемой и готовой к цифровым рабочим потокам.

Предупреждения

Прежде чем начать, убедитесь, что у вас есть:

  • Visual Studio 2019 или позднее
  • .NET 6.0 или более поздний (или .Net Framework 4.6.2+)
  • ASPOSE.OCR для .NET от NuGet
  • Основное знание C#
PM> Install-Package Aspose.OCR

Step-by-Step реализация

Шаг 1: Инсталляция и настройка Aspose.OCR

Добавьте пакет NuGet и ссылку Aspose.OCR:

using Aspose.OCR;

Шаг 2: Добавить сканированные PDF-файлы

Создайте объект OcrInput для ввода PDF и добавьте сканированные PDF-файлы.

OcrInput input = new OcrInput(InputType.PDF);
input.Add("contract.pdf");
input.Add("archive.pdf");
// Optionally specify page ranges:
// input.Add("report.pdf", startPage: 0, pagesCount: 5);

Шаг 3: Установите настройки распознавания

Настроить язык и другие настройки распознавания, чтобы соответствовать вашим документам.

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

Шаг 4: Продолжайте процесс признания

Признайте текст из сканированных PDF-файлов:

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

Шаг 5: Сохраните или экспортируйте признанный текст

Экспорт признанного текста в файлы или конвертация результатов в поисковые PDF-файлы.

foreach (RecognitionResult result in results)
{
    Console.WriteLine(result.RecognitionText); // Show the text in console
    result.Save("output.txt", SaveFormat.Text); // Save as plain text
    result.Save("output.pdf", SaveFormat.Pdf); // Save as searchable PDF
}

Шаг 6: Добавить обработку ошибок

Загрузите распознавание в блок try/catch для прочности.

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

Шаг 7: Оптимизация для больших или многостраничных PDF-файлов

  • Обработка PDF-страницы по страницы для больших файлов
  • Используйте качественные сканировки для получения лучших результатов.
  • Процесс бач паралельно для больших коллекций
// Example: Add all scanned PDFs in a folder
foreach (string file in Directory.GetFiles("./pdfs", "*.pdf"))
{
    input.Add(file);
}

Шаг 8: Полный рабочий пример 

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("contract.pdf");
            input.Add("archive.pdf");

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

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

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

Используйте случаи и приложения

Цифровые архивы

Конвертировать целые библиотеки сканированных документов в поисковые, индексируемые файлы для соответствия и управления знаниями.

Юридическое и контрактное управление

Вытягивайте договорные условия или условия из PDF-файлов для пересмотра, автоматизации или цифрового подписания.

Поиск Streamlined Document

Возможность быстрого поиска полного текста в архивах, базах знаний или файлах случая.

Общие вызовы и решения

Проблема 1: низкое качество или сканированные сканы

Решение: Используйте предварительные фильтры и высококачественные сканировки, когда это возможно.

Проблема 2: Многоязычные PDF

Решение: Настроить язык в распознавательных настройках или процессах с несколькими языковыми опциями.

Проблема 3: Очень большие PDF-файлы

Решение: Процесс в комплектах или по странице, и мониторинг использования памяти.

Рассмотрим производительность

  • Используйте оптимальный ДПИ (300+) для сканированных ПДФ
  • Батч-процесс для наилучшего пропуска
  • Установка ОКР-объектов и закрытые файловые рукописи

Лучшие практики

  • Проверка выхода OCR перед дальнейшей автоматизацией
  • Организация и резервное копирование оригинальных PDF-файлов
  • Используйте правильный SaveFormat для вашего рабочего потока
  • Регулярно обновляется Aspose.OCR для новых функций PDF

Развитые сценарии

Сценарий 1: Исключить только конкретные страницы из PDF 

input.Add("archive.pdf", startPage: 5, pagesCount: 3);

Сценарий 2: Экспорт в несколько форматов 

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

Заключение

ASPOSE.OCR для .NET позволяет конвертировать сканированные PDF-файлы в действующие текстовые и поисковые файлы — удаляя ручные входы и делая информацию доступной для всей организации.

Для получения дополнительных деталей и примеров см. ASPOSE.OCR для .NET API .

 Русский