في العديد من سير عمل الأعمال، يجب تحويل مستندات PDF الممسوحة ضوئيًا إلى نص قابل للبحث أو التحرير. يوضح برنامج Extract Text from Scanned PDFs with Aspose.PDF OCR in C# كيفية الاستفادة من محرك OCR المتكامل في Aspose.PDF for .NET لاستخراج النص العادي من الصفحات القائمة على الصور. باتباع هذا الدليل ستحصل على حل جاهز للتنفيذ يعمل مع أي PDF ممسوح ضوئيًا، بغض النظر عن حجمه أو لغته.

استخراج النص من ملفات PDF الممسوحة ضوئياً باستخدام Aspose.PDF OCR SDK

تحتوي ملفات PDF الممسوحة ضوئياً على صور فقط، لذلك لا تُرجع واجهات برمجة التطبيقات لاستخراج النصوص التقليدية أي شيء. يقوم OCR (التعرف الضوئي على الأحرف) بتحويل تلك الصور إلى أحرف قابلة للقراءة آليًا، مما يتيح الفهرسة واستخراج البيانات والمعالجة اللاحقة. يؤدي أتمتة OCR في C# إلى إزالة خطوات النسخ واللصق اليدوية، وتحسين الدقة، وتوسيع النطاق عبر دفعات كبيرة من المستندات.

توفر Aspose.PDF مساحة الاسم Aspose.Pdf.Ocr، والتي تتضمن OcrTextRecognitionOptions و OcrTextAbsorber وتعدادات اللغات. يتم توزيع المكتبة عبر NuGet. قم بتثبيتها باستخدام الأمر التالي:

Install-Package Aspose.PDF

لمزيد من المعلومات، قم بزيارة صفحة منتج Aspose.PDF.

استخراج النص من ملفات PDF الممسوحة ضوئياً باستخدام Aspose.PDF OCR في C#

  1. حمّل ملف PDF الممسوح ضوئياً في كائن Aspose.Pdf.Document.
  2. قم بتكوين خيارات OCR (اللغة، الدقة، فاصل الصفحات).
  3. طبّق OcrTextAbsorber على مجموعة صفحات المستند.
  4. استرجع النص المُعترف به واحفظه.

يوضح المثال تحميل ملف PDF ممسوح ضوئياً، وتكوين OCR، واستخراج النص، وكتابة النتيجة إلى ملف باستخدام C#.

// For complete examples and data files, visit https://github.com/aspose-pdf/Aspose.PDF-for-.NET
private static void RecognizeTextWithOcr()
{
    // The path to the documents directory
    var dataDir = RunExamples.GetDataDir_AsposePdf();

// Open PDF document
    using (var document = new Aspose.Pdf.Document(dataDir + "input.pdf"))
    {
        // Configure OCR recognition options
        var options = new Aspose.Pdf.Ocr.OcrTextRecognitionOptions
        {
            Language = Aspose.Pdf.Ocr.OcrLanguage.English,
            Resolution = 300,
            PageSeparator = "\n\n"
        };

// Recognize text from all pages
        var absorber = new Aspose.Pdf.Ocr.OcrTextAbsorber(options);
        document.Pages.Accept(absorber);

// Save recognized text
        System.IO.File.WriteAllText(dataDir + "recognized-text.txt", absorber.Text);
    }
}

Aspose.PDF الميزات التي تهم هذه المهمة

  • محرك OCR المتكامل – لا توجد تبعيات خارجية؛ محرك OCR موجود في مساحة الأسماء Aspose.Pdf.Ocr.
  • اختيار اللغة – يتيح لك تعداد OcrLanguage تحديد القاموس لتحسين الدقة.
  • التحكم في الدقة – زيادة DPI تحسن دقة الأحرف، خاصةً في المسحات الضعيفة.
  • PageSeparator – سلسلة قابلة للتخصيص لفصل الصفحات في النص الناتج.
  • مجموعة الصفحات الآمنة للخطوط المتعددة – تسمح بالمعالجة المتوازية لملفات PDF الكبيرة.

تمكن هذه القدرات من حل مكتبة واحدة قوي لاستخراج النص من أي ملف PDF ممسوح ضوئياً.

التثبيت والإعداد في C#

  1. افتح حل .NET الخاص بك في Visual Studio.
  2. افتح Package Manager Console وقم بتشغيل Install-Package Aspose.PDF.
  3. أضف using Aspose.Pdf; و using Aspose.Pdf.Ocr; في أعلى ملف الفئة الخاص بك.
  4. تأكد من أن لديك ترخيصًا مؤقتًا أو كاملًا؛ بدون ذلك قد يحتوي الناتج على علامة مائية.

لتفاصيل الترخيص، راجع صفحة الترخيص المؤقتة.

التنفيذ خطوة بخطوة في C#

ما هو الجواب الذي تقدمّه هذه الفقرة؟ ما هي خطوات الكود الدقيقة لاستخراج النص؟

  1. تهيئة المستند
    var pdfPath = "path/to/scanned.pdf";
var document = new Document(pdfPath);
  2. إنشاء خيارات OCR
    var ocrOptions = new OcrTextRecognitionOptions
{
    Language = OcrLanguage.English,
    Resolution = 300,
    PageSeparator = "\n--- Page Break ---\n"
};
  3. تشغيل الـ absorber
    var absorber = new OcrTextAbsorber(ocrOptions);
document.Pages.Accept(absorber);
  4. الوصول إلى النص المستخرج
    string extractedText = absorber.Text;
  5. حفظ النص أو معالجته
    System.IO.File.WriteAllText("output.txt", extractedText);

يتبع الكود نفس سير العمل كما في المثال الشامل أعلاه، لكنه يقسم المنطق إلى خطوات قابلة للهضم.

احصل على ترخيص مجاني

قم بتقييم Aspose.PDF مجانًا عن طريق طلب ترخيص مؤقت هنا: https://purchase.aspose.com/temporary-license/

موارد إضافية مجانية

الخاتمة

هذا الدليل يوضح لك كيفية استخراج النص من ملفات PDF الممسوحة ضوئياً باستخدام Aspose.PDF OCR في C#. تعلمت كيفية تثبيت المكتبة، وتكوين خيارات OCR للدقة، وتنفيذ خط أنابيب استخراج نظيف، وتطبيق تحسينات الأداء للمستندات الكبيرة. باستخدام هذه التقنيات، يمكن لأي مطور .NET تحويل ملفات PDF التي تحتوي على صور فقط إلى نصوص قابلة للبحث والتعديل.

الأسئلة المتكررة

  1. كيف يمكنني استخراج النص من ملف PDF ممسوح ضوئياً في C# باستخدام Aspose.PDF?
    أنشئ كائن Document، قم بتكوين OcrTextRecognitionOptions، شغّل OcrTextAbsorber على الصفحات، ثم اقرأ الخاصية Text.

  2. ما هي لغات OCR المدعومة من قبل Aspose.PDF?
    المكتبة تدعم العديد من اللغات عبر تعداد OcrLanguage، بما في ذلك الإنجليزية، الفرنسية، الألمانية، الإسبانية، الصينية، وغيرها.

  3. كيف يمكن تحسين دقة OCR للماسحات ذات الدقة المنخفضة?
    زد Resolution (مثلاً 300 DPI)، اختر اللغة الصحيحة، وفكّر في معالجة الصور مسبقاً لزيادة التباين.

  4. هل من الآمن معالجة ملفات PDF الكبيرة بشكل متوازي?
    نعم، عن طريق تقسيم المستند إلى نطاقات صفحات ومعالجة كل نطاق في خيط منفصل، مع مراقبة استهلاك الذاكرة.

  5. ما الترخيص المطلوب لميزات OCR?
    OCR متاح بالكامل مع ترخيص صالح لـ Aspose.PDF for .NET؛ يمكن الحصول على ترخيص مؤقت للتقييم.

  6. أين يمكنني العثور على مزيد من الوثائق حول إعدادات OCR?
    إرشادات تكوين OCR التفصيلية متوفرة في وثائق إعدادات OCR الخاصة بـ Aspose.PDF على https://docs.aspose.com/pdf/net/.

اقرأ المزيد