Dans de nombreux flux de travail d’entreprise, les documents PDF numérisés doivent être transformés en texte consultable ou modifiable. Le Extraire du texte à partir de PDF numérisés avec Aspose.PDF OCR en C# tutoriel montre comment exploiter le moteur OCR intégré d’Aspose.PDF for .NET pour extraire du texte brut à partir de pages basées sur des images. En suivant ce guide, vous obtiendrez une solution prête à l’emploi qui fonctionne avec n’importe quel PDF numérisé, quelle que soit sa taille ou sa langue.

Extraire le texte des PDF numérisés à l’aide du SDK OCR d’Aspose.PDF

Les PDF numérisés ne contiennent que des images, de sorte que les API d’extraction de texte classiques ne renvoient rien. L’OCR (Reconnaissance Optique de Caractères) convertit ces images en caractères lisibles par machine, permettant l’indexation, l’exploration de données et le traitement en aval. L’automatisation de l’OCR en C# supprime les étapes manuelles de copier‑coller, améliore la précision et s’adapte à de grands lots de documents.

Aspose.PDF fournit l’espace de noms Aspose.Pdf.Ocr, qui comprend OcrTextRecognitionOptions, OcrTextAbsorber et les énumérations de langues. La bibliothèque est distribuée via NuGet. Installez‑la avec la commande suivante :

Install-Package Aspose.PDF

Pour plus d’informations, visitez la page produit Aspose.PDF.

Extraire du texte à partir de PDF numérisés avec Aspose.PDF OCR en C#

  1. Chargez le PDF numérisé dans un Aspose.Pdf.Document.
  2. Configurez les options OCR (langue, résolution, séparateur de pages).
  3. Appliquez un OcrTextAbsorber à la collection de pages du document.
  4. Récupérez le texte reconnu et enregistrez‑le.

L’exemple montre comment charger un PDF numérisé, configurer l’OCR, extraire le texte et écrire le résultat dans un fichier à l’aide de 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 Fonctionnalités importantes pour cette tâche

  • Moteur OCR intégré – Aucune dépendance externe ; le moteur OCR se trouve dans l’espace de noms Aspose.Pdf.Ocr.
  • Sélection de la langue – L’énumération OcrLanguage vous permet de spécifier le dictionnaire pour une meilleure reconnaissance.
  • Contrôle de la résolution – Un DPI plus élevé améliore la fidélité des caractères, notamment pour les numérisations faibles.
  • PageSeparator – Chaîne personnalisable pour séparer les pages dans le texte de sortie.
  • Collection de pages thread‑safe – Permet le traitement parallèle de gros PDF.

Ces capacités permettent une solution robuste, à bibliothèque unique, pour extraire du texte de n’importe quel PDF numérisé.

Installation et configuration en C#

  1. Ouvrez votre solution .NET dans Visual Studio.
  2. Ouvrez la Console du Gestionnaire de packages et exécutez Install-Package Aspose.PDF.
  3. Ajoutez using Aspose.Pdf; et using Aspose.Pdf.Ocr; en haut de votre fichier de classe.
  4. Assurez‑vous de disposer d’une licence temporaire ou complète ; sans celle‑ci, la sortie peut contenir un filigrane.

Pour les détails de la licence, consultez la page de licence temporaire.

Implémentation étape par étape en C#

À quoi répond cette section ? Quelles sont les étapes exactes du code pour extraire le texte ?

  1. Initialiser le document
    var pdfPath = "path/to/scanned.pdf";
var document = new Document(pdfPath);
  2. Créer des options OCR
    var ocrOptions = new OcrTextRecognitionOptions
{
    Language = OcrLanguage.English,
    Resolution = 300,
    PageSeparator = "\n--- Page Break ---\n"
};
  3. Exécuter l’absorbeur
    var absorber = new OcrTextAbsorber(ocrOptions);
document.Pages.Accept(absorber);
  4. Accéder au texte extrait
    string extractedText = absorber.Text;
  5. Enregistrer ou traiter le texte
    System.IO.File.WriteAllText("output.txt", extractedText);

Le code suit le même flux que l’exemple complet ci‑dessus, mais divise la logique en étapes digestes.

Obtenez une licence gratuite

Évaluez Aspose.PDF gratuitement en demandant une licence temporaire ici : https://purchase.aspose.com/temporary-license/

Ressources supplémentaires gratuites

Conclusion

Ce guide vous a accompagné dans l’extraction de texte à partir de PDF numérisés en utilisant Aspose.PDF OCR en C#. Vous avez appris comment installer la bibliothèque, configurer les options OCR pour une précision optimale, mettre en œuvre un pipeline d’extraction propre et appliquer des optimisations de performances pour les documents volumineux. Grâce à ces techniques, tout développeur .NET peut transformer des PDF uniquement image en flux de texte consultables et modifiables.

FAQ

  1. Comment extraire du texte d’un PDF numérisé en C# avec Aspose.PDF ?
    Créez un Document, configurez OcrTextRecognitionOptions, exécutez un OcrTextAbsorber sur les pages et lisez la propriété Text.

  2. Quelles langues OCR sont prises en charge par Aspose.PDF ?
    La bibliothèque prend en charge de nombreuses langues via l’énumération OcrLanguage, y compris l’anglais, le français, l’allemand, l’espagnol, le chinois, et plus encore.

  3. Comment améliorer la précision OCR pour des numérisations à basse résolution ?
    Augmentez la Resolution (par ex., 300 DPI), sélectionnez la langue correcte et envisagez un pré‑traitement des images pour augmenter le contraste.

  4. Est‑il sûr de traiter de gros PDF en parallèle ?
    Oui, en divisant le document en plages de pages et en traitant chaque plage sur un thread séparé, tout en surveillant l’utilisation de la mémoire.

  5. Quelle licence est requise pour les fonctionnalités OCR ?
    L’OCR est entièrement disponible avec une licence valide Aspose.PDF for .NET ; une licence temporaire peut être obtenue pour l’évaluation.

  6. Où puis‑je trouver plus de documentation sur les paramètres OCR ?
    Des conseils détaillés sur la configuration OCR sont disponibles dans la documentation Aspose.PDF OCR settings à l’adresse https://docs.aspose.com/pdf/net/.

En savoir plus