将扫描的 PDF 转换为文本
如何在.NET中将扫描的PDF转换为可搜索的文本文件

如何在.NET中将扫描的PDF转换为可搜索的文本文件

扫描的PDF通常很难处理，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开辟了无限可能。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。

为什么将扫描的PDF转换为可搜索的文本文件？

  1. 可访问性：
    • 使扫描内容可搜索，便于在不手动阅读文档的情况下查找信息。
  2. 内容编辑：
    • 一旦转换为文本，内容可以被编辑、更新或以其他格式重新使用。
  3. 效率：
    • 通过自动化将扫描的PDF转换为完全可访问的文本文件的过程来节省时间。

前提条件：设置扫描PDF文本提取

在提取扫描PDF中的文本之前，请按照以下步骤确保一切设置就绪：

  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. 获取您的许可证：
    • 使用SetMeteredKey()设置您的计量许可证，以解锁Aspose.OCR的全部功能。
  3. 准备您的扫描PDF：
    • 确保扫描的PDF质量良好，以提高识别准确性。

分步指南：将扫描的PDF转换为可搜索文本

步骤1：设置您的许可证

首先配置您的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2：将扫描的PDF加载到OCR输入对象中

接下来，将扫描的PDF加载到OcrInput对象中以开始OCR过程。

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

步骤3：配置OCR引擎以进行识别

设置OCR引擎并配置任何识别设置，例如语言和准确性。

Aspose.OCR.AsposeOcr recognitionEngine = new Aspose.OCR.AsposeOcr();
RecognitionSettings settings = new RecognitionSettings();
settings.Language = Aspose.OCR.Language.Latin;  // 设置OCR语言
Console.WriteLine("OCR引擎配置完成。");

步骤4：提取并输出识别的文本

现在，使用OCR引擎从扫描的PDF中提取文本。

List<Aspose.OCR.RecognitionResult> results = recognitionEngine.Recognize(input, settings);
Console.WriteLine("成功从扫描的PDF中提取文本。");

// 输出识别的文本
foreach (Aspose.OCR.RecognitionResult result in results)
{
    Console.WriteLine(result.RecognitionText);
}

// 将结果保存到文本文件
results[0].Save("recognized_text.txt", Aspose.OCR.SaveFormat.Text);
Console.WriteLine("文本保存到recognized_text.txt。");

步骤5：测试可搜索的PDF

通过在PDF查看器或编辑器中测试输出，确保提取的文本是可搜索和可编辑的。

常见问题及解决方案

1. OCR准确性低

  • 解决方案：确保扫描的PDF质量高（至少300 DPI），以改善识别结果。

2. 不支持的字体

  • 解决方案：确保在OCR设置中设置正确的语言，以便准确识别文本，特别是对于非拉丁字符。

3. 大PDF性能缓慢

  • 解决方案：对于大PDF，可以将文档分成更小的块或页面进行处理，以减少内存使用并加快处理速度。
 中文