将扫描的 PDF 转换为文本
如何通过 Aspose.OCR 提高数字档案的搜索

如何通过 Aspose.OCR 提高数字档案的搜索

数以百万计的扫描文件和图像存储在数字档案中,但搜索内容是不可能的,除非文本被提取和索引。

现实世界问题

档案包装了扫描的合同,书籍,文章,或图像. 用户不能在这些文件中搜索,除非文本被提取,缓慢研究,法律审查或eDiscovery。

解决方案概述

Aspose.OCR for .NET batch 将文本从扫描图像或 PDF 中提取出来,并允许您将这些数据传输到您最喜欢的搜索解决方案 - 使您能够在大量档案中进行全文搜索、标签和信息获取。

原則

确保你有:

  • Visual Studio 2019 或以后
  • .NET 6.0 或更高版本(或 .Net Framework 4.6.2+)
  • Aspose.OCR 为 .NET 从 NuGet
  • 基本的C#技能
PM> Install-Package Aspose.OCR

步骤实施

步骤 1: 安装和设置 Aspose.OCR 

using Aspose.OCR;

步骤2:安排您的档案文件

将所有扫描的图像或PDF集成到一个逻辑文件夹结构中,以便轻松处理集合。

string archivePath = "./archive";
string[] files = Directory.GetFiles(archivePath, "*.pdf");

步骤3:设置识别设置

用语言,文档配置,并为集合运行优化。

RecognitionSettings settings = new RecognitionSettings();
settings.Language = Language.English;
settings.DetectAreasMode = DetectAreasMode.AUTO; // Good for mixed archive content

步骤4:在Batch中提取文本 

OcrInput input = new OcrInput(InputType.PDF);
foreach (string file in files)
{
    input.Add(file);
}
AsposeOcr ocr = new AsposeOcr();
List<RecognitionResult> results = ocr.Recognize(input, settings);

步骤5:保存提取的文本以索引 

foreach (RecognitionResult result in results)
{
    string textFile = Path.ChangeExtension(result.FilePath, ".txt");
    result.Save(textFile, SaveFormat.Text);
}

步骤6:创建或更新您的搜索指数

与 Lucene.NET、ElasticSearch 或您最喜欢的索引/搜索工具集成。

步骤7:与您的浏览器集成搜索

将您的搜索指数连接到您的档案的网页界面、文档浏览器或研究工具,以获得完整的文本结果。

步骤8:添加错误处理 

try
{
    // All recognition and indexing code here
}
catch (Exception ex)
{
    Console.WriteLine($"Error: {ex.Message}");
}

步骤9:测试和验证

运行样品查询并确认您的档案现在完全可搜索。

使用案例和应用程序

数字图书馆和博物馆

允许完整的文本搜索数字化书籍、手稿和收藏。

公司和法律档案

立即找到合同、备忘录和报告,无论它们的原始格式如何。

学术和报纸档案

研究人员可以快速搜索历史文件、文章或审查数据。

共同挑战与解决方案

挑战1:多种文件类型

** 解决方案:** 在不同文档配置中使用 AUTO 模式和测试识别。

挑战2:旧文件或损坏文件的 OCR 准确性

** 解决方案:** 预处理对比/分解,或使用语言和过滤设置。

挑战3:规模与表现

** 解决方案:** 平行和监控资源使用的集成过程。

绩效考虑

  • 处理文件在可管理的集合中
  • 在有效的索引格式中存储提取的文本
  • 监控记忆和 I/O 文件大跑步

最佳实践

  • 根据文档类型或年份组织档案,以便更容易索引
  • 定期重新索引,随着您的档案的增长
  • 使用代数据(日期、作者、类型)以提高搜索相关性
  • 备份原始文件和提取文本

先进的场景

剧本1:多语言档案搜索 

settings.Language = Language.Spanish;

场景2:向可搜索的PDF出口 

foreach (RecognitionResult result in results)
{
    result.Save(Path.ChangeExtension(result.FilePath, ".pdf"), SaveFormat.Pdf);
}

结论

使用 Aspose.OCR for .NET,您可以将静态数字档案转化为丰富、可搜索的资源 - 允许遵守、研究和快速信息发现。

查找更多集成提示和API示例 ASPOSE.OCR 为 .NET API 参考 .

 中文