将扫描的 PDF 转换为文本
How to Extract Text Scanned Pdfs Dotnet Aspose

扫描的 PDF 通常难以处理，因为它们本质上只是文本的图像。将这些图像转换为可搜索、可编辑的文本文件为文档管理和内容可访问性打开了无限可能。使用 Aspose.OCR for .NET，您可以将扫描的 PDF 转换为完全可搜索的文档，同时保留原始图像。

为什么 OCR（光学字符识别）对扫描的 PDF 重要

  1. 数据提取：
    • OCR 让您将扫描的文本转换为机器可读的数据，这些数据可以被编辑和索引。
  2. 可搜索性：
    • 通过将扫描的 PDF 转换为可搜索的文档，您可以快速找到相关信息，而无需手动浏览页面。
  3. 提高生产力：
    • 通过自动化将扫描文档转换为可编辑格式（如 Word 或 Excel），节省时间。

前提条件：设置扫描 PDF 文本提取

在开始从扫描的 PDF 中提取文本之前，请确保完成以下步骤：

  1. 安装 Aspose.OCR for .NET：
    • 使用 NuGet 将 Aspose.OCR 添加到您的项目中：
      dotnet add package Aspose.OCR
  2. 获取计量许可证：
    • 设置您的计量许可证，以解锁 Aspose.OCR 库的所有功能，使用 SetMeteredKey()。
  3. 准备您的扫描 PDF：
    • 确保您的扫描 PDF 质量高。更好的质量会带来更准确的 OCR。

分步指南：从扫描 PDF 中提取文本

步骤 1：安装所需的库

首先将 Aspose.OCR for .NET 安装到您的项目中。您可以直接从 NuGet 进行此操作。

dotnet add package Aspose.OCR

步骤 2：设置您的许可证密钥

在继续之前，配置您的 Aspose.OCR 许可证以解锁所有功能。

using Aspose.OCR;

Metered license = new Metered();
license.SetMeteredKey("<your public key>", "<your private key>");
Console.WriteLine("许可证配置成功。");

步骤 3：将扫描的 PDF 加载到 OCR 输入对象中

您需要将扫描的 PDF 加载到 OcrInput 对象中。Aspose.OCR 支持扫描 PDF 的多个页面。

OcrInput input = new OcrInput(Aspose.OCR.InputType.PDF);
input.Add("scanned_sample.pdf", 0, 3); // 处理 PDF 的前 3 页
Console.WriteLine("扫描的 PDF 加载成功。");

步骤 4：使用 OCR 引擎处理扫描的 PDF

加载 PDF 后，将其传递给 Aspose OCR 引擎进行识别。

Aspose.OCR.AsposeOcr recognitionEngine = new Aspose.OCR.AsposeOcr();
RecognitionSettings settings = new RecognitionSettings();
settings.Language = Aspose.OCR.Language.Latin;  // 设置 OCR 语言（例如，英语的拉丁语）

List<Aspose.OCR.RecognitionResult> results = recognitionEngine.Recognize(input, settings);
Console.WriteLine("从 PDF 中提取的文本。");

步骤 5：输出识别的文本或保存它

一旦 OCR 引擎处理完 PDF，您可以直接输出识别的文本或将其保存到文件中。

string recognizedText = results[0].RecognitionText;
Console.WriteLine($"识别的文本：{recognizedText}");

// 将结果保存到文本文件
results[0].Save("output.txt", Aspose.OCR.SaveFormat.Text);
Console.WriteLine("识别的文本已保存到 output.txt。");

步骤 6：测试和优化 OCR 结果

提取文本后，测试输出的准确性。如有必要，您可以调整 OCR 设置，以改善不同文档布局的结果。

常见问题及解决方案

1. OCR 准确性差

  • 解决方案：确保扫描的 PDF 质量高。使用高分辨率扫描以提高识别准确性。

2. 不支持的字体

  • 解决方案：在 OCR 选项中提供正确的语言设置，以增强对非拉丁字符的识别。

3. 性能慢

  • 解决方案：将 PDF 拆分为较小的块或页面，以加快处理速度，特别是对于大型文档。
 中文