In vielen Geschäftsabläufen müssen gescannte PDF‑Dokumente in durchsuchbaren oder bearbeitbaren Text umgewandelt werden. Das Extract Text from Scanned PDFs with Aspose.PDF OCR in C# Tutorial zeigt, wie man die integrierte OCR‑Engine in Aspose.PDF for .NET nutzt, um Klartext aus bildbasierten Seiten zu extrahieren. Wenn Sie diesem Leitfaden folgen, erhalten Sie eine sofort einsatzbereite Lösung, die mit jedem gescannten PDF funktioniert, unabhängig von dessen Größe oder Sprache.

Text aus gescannten PDFs extrahieren mit Aspose.PDF OCR SDK

Gescannte PDFs enthalten nur Bilder, sodass typische Text‑Extraktions‑APIs nichts zurückgeben. OCR (Optical Character Recognition) konvertiert diese Bilder in maschinenlesbare Zeichen, wodurch Indexierung, Data Mining und nachgelagerte Verarbeitung ermöglicht werden. Die Automatisierung von OCR in C# eliminiert manuelle Kopier‑Einfüge‑Schritte, verbessert die Genauigkeit und skaliert über große Dokumenten‑Batches.

Aspose.PDF stellt den Namespace Aspose.Pdf.Ocr bereit, der OcrTextRecognitionOptions, OcrTextAbsorber und Sprach‑Enums enthält. Die Bibliothek wird über NuGet verteilt. Installieren Sie sie mit dem folgenden Befehl:

Install-Package Aspose.PDF

Weitere Informationen finden Sie auf der Aspose.PDF-Produktseite.

Text aus gescannten PDFs mit Aspose.PDF OCR in C# extrahieren

  1. Laden Sie das gescannte PDF in ein Aspose.Pdf.Document.
  2. Konfigurieren Sie die OCR-Optionen (Sprache, Auflösung, Seiten­trennzeichen).
  3. Wenden Sie einen OcrTextAbsorber auf die Seitensammlung des Dokuments an.
  4. Rufen Sie den erkannten Text ab und speichern Sie ihn.

Das Beispiel zeigt das Laden einer gescannten PDF, die Konfiguration von OCR, das Extrahieren von Text und das Schreiben des Ergebnisses in eine Datei mit 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-Funktionen, die für diese Aufgabe wichtig sind

  • Integrierte OCR‑Engine – Keine externen Abhängigkeiten; die OCR‑Engine befindet sich im Aspose.Pdf.Ocr Namespace.
  • Sprachauswahl – OcrLanguage Enum ermöglicht es, das Wörterbuch für eine bessere Erkennung anzugeben.
  • Auflösungssteuerung – Höhere DPI verbessert die Zeichen­treue, insbesondere bei schwachen Scans.
  • PageSeparator – Anpasbarer String zum Trennen von Seiten im Ausgabetext.
  • Thread‑sichere Seitensammlung – Ermöglicht die parallele Verarbeitung großer PDFs.

Diese Fähigkeiten ermöglichen eine robuste, ein‑Bibliotheks‑Lösung zum Extrahieren von Text aus jedem gescannten PDF.

Installation und Einrichtung in C#

  1. Öffnen Sie Ihre .NET-Lösung in Visual Studio.
  2. Öffnen Sie die Package Manager Console und führen Sie Install-Package Aspose.PDF aus.
  3. Fügen Sie using Aspose.Pdf; und using Aspose.Pdf.Ocr; am Anfang Ihrer Klassendatei hinzu.
  4. Stellen Sie sicher, dass Sie eine temporäre oder vollständige Lizenz besitzen; ohne diese kann die Ausgabe ein Wasserzeichen enthalten.

Für Lizenzdetails siehe die temporäre Lizenzseite.

Schritt‑für‑Schritt-Implementierung in C#

Was beantwortet dieser Abschnitt? Was sind die genauen Code‑Schritte zum Extrahieren von Text?

  1. Dokument initialisieren
    var pdfPath = "path/to/scanned.pdf";
var document = new Document(pdfPath);
  2. OCR-Optionen erstellen
    var ocrOptions = new OcrTextRecognitionOptions
{
    Language = OcrLanguage.English,
    Resolution = 300,
    PageSeparator = "\n--- Page Break ---\n"
};
  3. Absorber ausführen
    var absorber = new OcrTextAbsorber(ocrOptions);
document.Pages.Accept(absorber);
  4. Zugriff auf den extrahierten Text
    string extractedText = absorber.Text;
  5. Text speichern oder verarbeiten
    System.IO.File.WriteAllText("output.txt", extractedText);

Der Code folgt dem gleichen Ablauf wie das umfassende Beispiel oben, bricht jedoch die Logik in leicht verdauliche Schritte auf.

Kostenlose Lizenz erhalten

Evaluieren Sie Aspose.PDF kostenlos, indem Sie hier eine temporäre Lizenz anfordern: https://purchase.aspose.com/temporary-license/.

Kostenlose zusätzliche Ressourcen

Fazit

Dieser Leitfaden führte Sie durch das Extrahieren von Text aus gescannten PDFs mit Aspose.PDF OCR in C#. Sie haben gelernt, wie man die Bibliothek installiert, OCR‑Optionen für Genauigkeit konfiguriert, eine saubere Extraktionspipeline implementiert und Leistungsoptimierungen für große Dokumente anwendet. Mit diesen Techniken kann jeder .NET‑Entwickler Bild‑nur‑PDFs in durchsuchbare, editierbare Textströme umwandeln.

FAQs

  1. Wie extrahiere ich Text aus einem gescannten PDF in C# mit Aspose.PDF?
    Erstellen Sie ein Document, konfigurieren Sie OcrTextRecognitionOptions, führen Sie einen OcrTextAbsorber auf den Seiten aus und lesen Sie die Text‑Eigenschaft.

  2. Welche OCR‑Sprachen werden von Aspose.PDF unterstützt?
    Die Bibliothek unterstützt viele Sprachen über das OcrLanguage‑Enum, darunter Englisch, Französisch, Deutsch, Spanisch, Chinesisch und weitere.

  3. Wie kann ich die OCR‑Genauigkeit bei niedrig aufgelösten Scans verbessern?
    Erhöhen Sie die Resolution (z. B. 300 DPI), wählen Sie die richtige Sprache aus und erwägen Sie die Vorverarbeitung von Bildern, um den Kontrast zu erhöhen.

  4. Ist es sicher, große PDFs parallel zu verarbeiten?
    Ja, indem Sie das Dokument in Seitenbereiche aufteilen und jeden Bereich in einem separaten Thread verarbeiten, wobei Sie die Speichernutzung überwachen.

  5. Welche Lizenzierung ist für OCR‑Funktionen erforderlich?
    OCR ist vollständig mit einer gültigen Aspose.PDF for .NET‑Lizenz verfügbar; eine temporäre Lizenz kann für Evaluierungszwecke erhalten werden.

  6. Wo finde ich weitere Dokumentation zu OCR‑Einstellungen?
    Detaillierte Anleitungen zur OCR‑Konfiguration sind in den Aspose.PDF OCR‑Einstellungen‑Dokumenten unter https://docs.aspose.com/pdf/net/ verfügbar.

Mehr lesen